PEMETAAN PERSEBARAN PENCEMAR NON- KONSERVATIF DARI …repository.its.ac.id/53428/1/03211440000100... · 2018. 7. 24. · i tugas akhir – re 141581 pemetaan persebaran pencemar non-konservatif

i

TUGAS AKHIR – RE 141581

PEMETAAN PERSEBARAN PENCEMAR NON-KONSERVATIF DARI AKTIVITAS LALU LINTAS PERKOTAAN DI WILAYAH SURABAYA PUSAT MENGGUNAKAN MODEL GAUSS TERMODIFIKASI TEUKU FAZHAMY RAFIANDRA 03211440000100 Dosen Pembimbing Dr. Abdu Fadli Assomadi, S.Si., MT. DEPARTEMEN TEKNIK LINGKUNGAN Fakultas Teknik Sipil, Lingkungan dan Kebumian Institut Teknologi Sepuluh Nopember Surabaya 2018

ii

TUGAS AKHIR – RE 141581

PEMETAAN PERSEBARAN PENCEMAR NON-KONSERVATIF DARI AKTIVITAS LALU LINTAS PERKOTAAN DI WILAYAH SURABAYA PUSAT MENGGUNAKAN MODEL GAUSS TERMODIFIKASI TEUKU FAZHAMY RAFIANDRA 03211440000100 DOSEN PEMBIMBING Dr. Abdu Fadli Assomadi, S.Si, MT DEPARTEMEN TEKNIK LINGKUNGAN Fakultas Teknik Sipil, Lingkungan, dan Kebumian Institut Teknologi Sepuluh Nopember Surabaya 2018

iii

FINAL PROJECT – RE 141581

DISPERSION MAPPING OF NON-CONSERVATIVE POLLUTANT FROM URBAN TRAFFIC ACTIVITY IN CENTRAL SURABAYA USING MODIFIED GAUSS MODEL TEUKU FAZHAMY RAFIANDRA 03211440000100 SUPERVISOR Dr. Abdu Fadli Assomadi, S.Si, MT DEPARTMENT OF ENVIRONMENTAL ENGINEERING Faculty of Civil, Environmental, and Geo Engineering Institut Teknologi Sepuluh Nopember Surabaya 2018

iv

v

PEMETAAN PERSEBARAN PENCEMAR NON-KONSERVATIF

DARI AKTIVITAS LALU LINTAS PERKOTAAN DI WILAYAH SURABAYA PUSAT MENGGUNAKAN MODEL GAUSS

TERMODIFIKASI

Nama Mahasiswa : Teuku Fazhamy Rafiandra NRP : 03211440000100 Departemen : Teknik Lingkungan FTSLK ITS Dosen Pembimbing : Dr. Abdu Fadli Assomadi, S.Si, MT

ABSTRAK

Surabaya Pusat adalah salah satu wilayah yang perlu mendapat perhatian khusus dalam pengelolaan pencemaran udara. Hal ini dikarenakan volume lalu lintas yang tinggi sehingga berpotensi menurunkan kualitas udara. Salah satu parameter pencemar penting adalah pencemar non-konservatif, antara lain nitrogen oksida (NOx) dan ozon (O3). Parameter NOx dan O3 saling mempengaruhi dalam siklus reaksi fotokimia dan dapat berakibat buruk pada kesehatan sehingga diperlukan upaya pengelolaan yang tepat. Dalam pengelolaan pencemaran udara, diperlukan informasi data kualitas udara yang cukup dan akurat. Data ini didapatkan dari stasiun pemantau kualitas udara. Namun, Surabaya hanya memiliki 3 stasiun pemantau kualitas udara yang aktif dari 7 stasiun yang ada. Data ini kurang mencukupi untuk menggambarkan model kualitas udara perkotaan secara menyeluruh. Maka, dalam penelitian ini diaplikasikan model dispersi pencemar udara dari sumber transportasi yang teridentifikasi. Model dispersi pencemar udara dapat memberikan gambaran terkait sumber dan persebaran pencemar dan melengkapi data-data yang diperlukan dalam pengelolaan kualitas udara.

Model dispersi pencemar udara yang digunakan dalam penelitian ini adalah pendekatan model Gauss termodifikasi dengan memasukan kinetika reaksi untuk pencemar non-konservatif. Identifikasi sumber pencemar dari aktivitas transportasi didasarkan pada data volume lalu lintas. Berdasarkan data volume lalu lintas, akan dihitung beban emisi

vi

dari aktivitas lalu lintas dengan pendekatan faktor emisi. Kemudian kondisi meteorologi sebagai input dianalisis berdasarkan data lokal dari stasiun pemantau kualitas udara. Data-data ini diolah untuk mendapatkan gambaran rata-rata kecepatan dan arah angin periode musim kemarau dan musim penghujan, menghasilkan windrose. Semua perhitungan dan aplikasi model dispersi dilakukan dengan piranti lunak Microsoft Excel dan Matlab.

Hasil penelitian ini menunjukkan bahwa model Gauss termodifikasi dapat digunakan untuk mengetahui persebaran emisi pencemar non-konservatif dari aktivitas lalu lintas di wilayah Surabaya Pusat. Nilai korelasi model terhadap data pengukuran pada musim kemarau dan musim hujan berturut-turut adalah 0,35 dan 0,051. Sedangkan nilai RMSE dari model pada musim kemarau dan hujan berturut-turut adalah 95,16 dan 237,19. Kemudian perubahan kualitas udara ambien akibat pencemar non-konservatif terlihat dengan menggunakan peta kontur dispersi pencemar udara. Perubahan kualitas udara terburuk dengan sebaran terluas terjadi pada kondisi musim kemarau dengan kecepatan angin 5,5-8 m/det. Radius sebaran pencemar NOx adalah 4,2-4,4 km dari wilayah studi.

Kata kunci: emisi, kinetika reaksi, model dispersi, nitrogen oksida, pencemaran udara

vii

DISPERSION MAPPING OF NON-CONSERVATIVE POLLUTANT FROM URBAN TRAFFIC ACTIVITY IN CENTRAL

SURABAYA USING MODIFIED GAUSSIAN MODEL

Name of Student : Teuku Fazhamy Rafiandra NRP : 03211440000100 Study Programme : Environmental Engineering Supervisor : Dr. Abdu Fadli Assomadi, S.Si, MT

ABSTRACT

Central Surabaya area is one of areas that need special attention in management of air pollution due to its high traffic activity. The high traffic may lead to decreasement of air quality in the area. One of the important parameters in air pollution is non-conservative pollutant, including Nitrogen Oxides (NOx) and Ozone (O3). NOx and O3 affect each other in a photochemical reaction cycle and may have bad impacts on human health. Thus, the right management attempt is needed. Sufficient and accurate air quality data needed in attempt of air pollution management. These data could be retrieved from air quality monitoring stations. However, Surabaya only have 3 active stations out of 7 stations available. These data are not sufficient to represent urban air quality model thoroughly. Thus, this research applies air pollution dispersion model from identified transportation source. Air pollution dispersion model might show the source and dispersion of pollutant and completing data that needed in air quality management.

Air pollution dispersion model that used in this research is modified Gaussian model with addition of kinetics factor for non-conservative pollutant. Identification of air pollution source from transportation activity is based on traffic volume data. Based on traffic volume data, emission load will be measured using emission factor approach. Then meteorology condition as a data input will be obtained from local data monitored using air quality monitoring station. These data will be analyzed to get average wind speed and wind direction during dry and rainy season, producing windrose. Dispersion model will be stated good if it has correlation with monitoring data of 0,572 based on US EPA

viii

standard. All the measurement and application of air dispersion model will be done using Microsoft Excel and Matlab.

The result of this research showed that the modified Gauss model can be used to know the dispersion of non-conservative pollutant emission from traffic activity in Central Surabaya. The correlation value of model to monitored data during dry and rainy season respectively 0,35 and 0,051. Whereas the RMSE value of the model during dry and rainy season respectively 95,16 and 237,19. Then, the change of ambient air quality due to non-conservative air pollutant can be seen using air pollution dispersion contour map. The worst air quality change with the vastest air pollutant dispersion happens during the dry season with the wind speed of 5,5-8 m/s. The radius of NOx pollutant dispersion is 4,2-4,4 km from the study area. Keywords: emission, reaction kinetics, dispersion model, nitrogen oxide, air pollution

ix

KATA PENGANTAR Puji syukur atas kehadirat Allah SWT yang telah

memberikan karunia kenikmatan, kemudahan, petunjuk, dan berkah sehingga penulis dapat menyelesaikan tugas akhir ini. Tugas akhir ini berjudul “Pemetaan Persebaran Pencemar Non-Konservatif Dari Aktivitas Lalu Lintas Perkotaan di Wilayah Surabaya Pusat Menggunakan Model Gauss Termodifikasi.”

Tugas akhir ini dapat terselesaikan dengan baik dan tepat waktu tidak terlepas dari peran serta berbagai pihak. Oleh sebab itu, penulis mengucapkan terima kasih kepada:

1. Bapak Dr. Abdu Fadli Assomadi, S.Si, MT atas segala bimbingan dan nasihatnya selama kegiatan penelitian dan penyusunan laporan tugas akhir.

2. Bapak Dr. Ir. Agus Slamet, M.Sc, Bapak Dr. Ir. Rachmat Boedisantoso, MT, Bapak Dr. Ir. Irwan Bagyo Santoso, MT, dan Bapak Dr. Eng. Arie Dipareza Syafei, ST, MEPM atas arahan yang diberikan untuk kegiatan penelitian ini.

3. Ibu Alia Damayanti, ST, MT, Ph.D atas bimbingan selama menjalani kegiatan perkuliahan di Departemen Teknik Lingkungan FTSLK ITS.

4. Ayah, Bunda, dan Adik serta keluarga besar atas segala dukungan materi, doa, dan moral demi kelancaran tugas akhir.

5. Teman-teman rekan bimbingan tugas akhir (Sita, Raihan, Ilmi, Ilham, Irma, Anfa, Giffari) atas kerjasama dan bantuannya selama pengerjaan tugas akhir.

6. Teman-teman Teknik Lingkungan ITS 2014, khususnya anggota Laboratorium Pengendalian Pencemaran Udara dan Perubahan Iklim, atas segala bantuan dan dukungannya selama pengerjaan tugas akhir.

Penulis memohon saran, kritik, dan penyempurnaan dari pembaca terkait dengan tugas akhir ini. Terima kasih.

Surabaya, Juli 2018

Penulis

x

Halaman ini sengaja dikosongkan

xi

DAFTAR ISI

ABSTRAK ...................................................................................... v ABSTRACT ................................................................................. vii KATA PENGANTAR ..................................................................... ix DAFTAR ISI .................................................................................. xi DAFTAR GAMBAR ...................................................................... xiii DAFTAR TABEL .......................................................................... xv BAB 1 PENDAHULUAN ................................................................ 1

1.1. Pendahuluan ...................................................................... 1 1.2. Rumusan Masalah .............................................................. 3 1.3. Tujuan ................................................................................. 3 1.4. Ruang Lingkup ................................................................... 3 1.5. Manfaat ............................................................................... 4

BAB 2 TINJAUAN PUSTAKA ........................................................ 5 2.1. Gambaran Umum Wilayah Studi ....................................... 5 2.2. Pencemaran Udara ............................................................ 6 2.3. Parameter Pencemaran Udara .......................................... 7

2.3.1. Nitrogen Oksida (NOx) ................................................. 7 2.3.2 Ozon (O3) ...................................................................... 9 2.3.3. Hubungan Nitrogen Oksida dengan Ozon ................ 11 2.3.4. Baku Mutu ................................................................. 12 2.3.5. Mekanisme Penyerapan Pencemar Udara oleh Tumbuhan ............................................................................ 12

2.4. Persebaran Pencemar Udara ........................................... 13 2.5. Emisi dari Aktivitas Jalan Raya ........................................ 14

2.5.1. Klasifikasi Jalan Raya ................................................ 15 2.5.2. Perhitungan Beban Pencemar .................................. 15

2.6. Model Dispersi Pencemar Udara ..................................... 18 2.6.1. Transformasi Koordinat ............................................. 19 2.6.2. Faktor Difusi .............................................................. 21 2.6.3. Faktor Kinetika Reaksi ............................................... 22 2.6.4. Pendekatan Model Distribusi Pencemar di Perkotaan ............................................................................................. 22 2.6.5. Verifikasi Model ......................................................... 24 2.6.6. Faktor Kalibrasi Model ............................................... 25

2.7. Metode Overlay ................................................................ 25 2.8. Manajemen Data .............................................................. 26

xii

2.9. Matlab .............................................................................. 27 BAB 3 METODE PENELITIAN .................................................... 29

3.1. Umum .............................................................................. 29 3.2. Wilayah Studi .................................................................... 29 3.2. Kerangka Penelitian ......................................................... 31 3.3. Tahap Pendahuluan ......................................................... 33 3.4. Tahap Pengumpulan Data ............................................... 34 3.5. Tahap Pengolahan Data dan Pembahasan .................... 35

BAB 4 PEMBAHASAN ................................................................ 43 4.1. Gambaran Umum Kondisi Lalu Lintas .............................. 43

4.1.1. Karakteristik Jalan ..................................................... 43 4.1.2. Volume Lalu Lintas .................................................... 45

4.2. Gambaran Kualitas Udara ................................................ 49 4.2.1. Pemilihan Data Verifikasi Model ................................ 51

4.2. Kondisi Meteorologi .......................................................... 53 4.2.1. Kondisi Meteorologi Lokal ......................................... 53 4.2.2. Kondisi Meteorologi Kota Surabaya .......................... 56

4.3. Perhitungan Beban Emisi ................................................. 58 4.4. Aplikasi Model Gauss Termodifikasi Terhadap Reseptor Tertentu ................................................................................... 66

4.4.1. Perhitungan dengan Matlab ...................................... 66 4.4.2. Hasil dan Analisis Perhitungan .................................. 69

4.5. Analisis Perubahan Kualitas Udara Ambien Akibat Aktivitas Lalu Lintas ................................................................. 75

4.5.1. Penentuan Skenario Perubahan Kualitas Udara Ambien ................................................................................. 75 4.5.2. Perubahan Kualitas Udara Ambien ........................... 76

BAB 5 KESIMPULAN DAN SARAN ............................................ 83 5.1. Kesimpulan ....................................................................... 83 5.2. Saran ................................................................................ 83

DAFTAR PUSTAKA .................................................................... 85 LAMPIRAN 1 ............................................................................... 91 LAMPIRAN 2 ............................................................................... 95 LAMPIRAN 3 ............................................................................. 107 LAMPIRAN 4 ............................................................................. 109 BIOGRAFI PENULIS ................................................................. 115

xiii

DAFTAR GAMBAR Gambar 2.1. Siklus fotokimia NO, NO2, O3, dan radikal bebas ... 11 Gambar 2.2. Penyerapan Polutan oleh Stomata Daun ............... 13 Gambar 2.3. Skema Model Dispersi Pencemar Udara ............... 19 Gambar 2.4. Sistem koordinat kartesius dan kedudukan line

source (J) dan penerima (P) ................................................ 20 Gambar 2.5. Skema difusi pencemar secara vertikal (Dz) ......... 22 Gambar 3.1. Jangkauan SUF-1 ................................................. 30 Gambar 3.2. Jalan Raya Lokasi Survey ...................................... 31 Gambar 3.3. Kerangka Penelitian ............................................... 33 Gambar 3.4. Contoh Tampilan Antarmuka Matlab ...................... 39 Gambar 3.5. Contoh Keluaran Peta Persebaran dari Matlab ..... 40 Gambar 4.1. Pola Volume Lalu Lintas Harian Surabaya 2012-

2017 ..................................................................................... 46 Gambar 4.2. Proporsi Kendaraan di Surabaya Pusat ................. 46 Gambar 4.3. Tren Derajat Kejenuhan di Jalan Tersurvey 2017 . 47 Gambar 4.4. Pola Konsentrasi NO2 di SUF-1 Tahun 2017 ......... 49 Gambar 4.5. Tren NO2 Harian Pada Tanggal Terpilih ................ 50 Gambar 4.6. Konsentrasi NO2 pada Musim Kemarau ................ 52 Gambar 4.7. Konsentrasi NO2 pada Musim Penghujan .............. 52 Gambar 4.8. Pola GRAD Harian pada SUF-1 ............................. 54 Gambar 4. 9. Windrose Lokal Musim Kemarau .......................... 55 Gambar 4.10. Windrose Lokal Musim Hujan............................... 55 Gambar 4.11. Windrose Musim Kemarau Surabaya .................. 57 Gambar 4.12. Windrose Musim Hujan Surabaya ........................ 57 Gambar 4.13. Fluktuasi Beban Emisi .......................................... 61 Gambar 4.14. Grafik Hasil Ekstrapolasi Data.............................. 63 Gambar 4.15. Contoh Hasil Pemetaan Model Awal .................... 68 Gambar 4.16. Hasil running script Musim Kemarau ................... 70 Gambar 4. 17. Hasil running script musim hujan ........................ 73 Gambar 4.18. Hasil Overlay Kota Surabaya pada Skenario K3

(Tanpa skala) ....................................................................... 79 Gambar 4.19. Hasil overlay Kota Surabaya Skenario H3 (Tanpa

skala) ................................................................................... 80 Gambar 4. 20. Hasil overlay Skenario H3 (Tanpa skala) ............ 80

xiv

Halaman ini sengaja dikosongkan.

xv

DAFTAR TABEL Tabel 2.1. Kondisi Meteorologis Surabaya.................................... 5 Tabel 2.2. Jumlah Kendaraan di Surabaya ................................... 5 Tabel 2.3. Baku Mutu Udara Ambien ......................................... 12 Tabel 2.4. Klasifikasi Kendaraan Bermotor untuk Perhitungan

Beban Emisi......................................................................... 16 Tabel 2.5. Faktor Emisi per Kategori ........................................... 17 Tabel 2.6. Koreksi Kecepatan ..................................................... 18 Tabel 3.1. Data Penelitian yang Dibutuhkan ............................... 34 Tabel 3.2. Skenario Model Dispersi ............................................ 40 Tabel 3.3. Skala Beaufort ............................................................ 41 Tabel 4.1. Posisi Jalan Raya yang Disurvey ............................... 43 Tabel 4.2. Daftar Jalan Penunjang .............................................. 44 Tabel 4.3. Panjang Masing-masing Jalan ................................... 45 Tabel 4.4. Kecepatan Kendaraan ................................................ 48 Tabel 4.5. Data Perhitungan Beban Emisi Jalan Embong Malang

............................................................................................. 59 Tabel 4.6. Beban Emisi Harian .................................................... 59 Tabel 4.7. Faktor Harian .............................................................. 62 Tabel 4.8. Hasil Ekstrapolasi Data .............................................. 63 Tabel 4.9. Faktor Mingguan......................................................... 64 Tabel 4.10. Faktor Total Hari Minggu .......................................... 64 Tabel 4.11. Parameter Model ...................................................... 67 Tabel 4.12. Matriks Skenario Perubahan Kualitas Udara ........... 76 Tabel 4.13. Skenario Arah dan Kecepatan Angin ....................... 76 Tabel 4.14. Konsentrasi Pencemar pada Musim Kemarau ......... 77 Tabel 4. 15. Konsentrasi Pencemar pada Musim Hujan ............. 77 Tabel L.1.1. Koordinat Jalan Penunjang ..................................... 91 Tabel L.1.2. Volume Lalu Lintas Harian ...................................... 93 Tabel L.1.3. Proporsi Kendaraan ................................................ 93 Tabel L.1.4. Derajat Kejenuhan ................................................... 94 Tabel L.2.1. Data NO2 pada Tanggal Terpilih Musim Kemarau .. 95 Tabel L.2.2. Data NO2 Terpilih Musim Hujan .............................. 97 Tabel L.2.3. Data GRAD Musim Kemarau .................................. 99

xvi

Tabel L.2.4. Data GRAD Musim Hujan ..................................... 102 Tabel L.2.5. Contoh Data Angin NCDC ..................................... 105 Tabel L.3.1. Contoh Keluaran Perhitungan Dispersi untuk

Verifikasi Model ................................................................. 107

1

BAB 1

PENDAHULUAN

1.1. Pendahuluan

Surabaya adalah salah satu kota yang rentan akan terjadinya pencemaran udara (Syafei et al., 2014). Hal ini dapat disebabkan oleh berbagai aktivitas penduduk, industri, perdagangan, kendaraan berbahan bakar fosil, dan lain-lain (Santoso et al., 2016). Walaupun nilai indeks pencemaran udara (IPU) Kota Surabaya tahun 2015 sudah tinggi, mencapai 83,85 (Susanto, 2015), namun pencemaran udara masih menjadi isu penting untuk diperhatikan. Hal ini dikarenakan IPU belum memperhatikan sumber pencemar spesifik. Nilai IPU berpengaruh pada indeks kualitas lingkungan hidup (IKLH) Kota Surabaya. IKLH Kota Surabaya masih bernilai rendah, yaitu 56,91 (Susanto, 2015). Nilai ini masih jauh dari target pemerintah sesuai RPJMN 2015-2019, yaitu 66,5-68,5 (Kementerian Lingkungan Hidup dan Kehutanan, 2015).

Salah satu wilayah yang perlu mendapatkan perhatian penting adalah wilayah Surabaya Pusat. Berdasarkan Rencana Tata Ruang Wilayah Kota Surabaya 2014-2034, wilayah ini diperuntukan untuk pemukiman, pemerintahan, dan perdagangan dan jasa. Hal ini mengakibatkan tingginya aktivitas lalu lintas yang ada di sekitar wilayah ini. Volume lalu lintas harian di wilayah ini mencapai 61.118 kendaraan per hari (Dinas Perhubungan Kota Surabaya, 2017). Kegiatan lalu lintas ini menyumbang pencemaran udara yang cukup besar. Menurut penelitian Kusminingrum dan Gunawan (2008), 70 % pencemaran udara di perkotaan disebabkan oleh aktivitas kendaraan bermotor. Akibatnya, kualitas udara akan menurun dan berefek tidak hanya pada wilayah sumber, melainkan hingga wilayah sekitarnya (Soedomo, 2001).

Berdasarkan perubahan jenisnya, polutan yang berkontribusi atas pencemaran di perkotaan terbagi atas dua jenis, yaitu polutan konservatif dan non-konservatif. Konservatif adalah polutan dengan komponen senyawa yang tetap. Sedangkan

2

polutan non-konservatif adalah polutan yang mengalami perubahan senyawa akibat reaksi tertentu. Polutan non-konservatif perlu mendapat perhatian karena adanya keadaan atmosfer tertentu menyebabkan terbentuknya polutan lain yang berbahaya (Soedomo, 2001). Contoh polutan non-konservatif adalah NOx dan O3.

NOx menggambarkan dua jenis nitrogen oksida, yaitu Nitrit Oksida (NO) dan Nitrogen Dioksida (NO2). NOx perlu mendapat perhatian dikarenakan 40 % emisi NOx dihasilkan dari kendaraan bermotor (Zouzelka dan Rathousky, 2017). Selain itu, NOx juga berperan dalam pembentukan ozon troposferik (Hatzopoulou dan Miller, 2010). Berdasarkan Constantya (2016), kadar NO2 tertinggi tercatat pada tahun 2015, yaitu sebesar 776 μg/Nm3, melebihi baku mutu berdasarkan Peraturan Pemerintah No. 41 Tahun 1999 (400 μg/Nm3). Pencemaran ini berpotensi semakin meningkat seiring dengan meningkatnya kendaraan bermotor. Hal ini disebabkan pertumbuhan kendaraan bermotor di wilayah Surabaya Pusat mencapai 3,34 % per tahun (Dinas Perhubungan Kota Surabaya, 2017). Sehingga diperlukan perhatian khusus karena dapat menyebabkan berbagai efek bagi kesehatan manusia, terutama pada organ pernafasan (Kampa dan Castanas, 2007).

Selain itu, NOx juga berperan sebagai salah satu prekursor terbentuknya ozon (O3). Ozon terbentuk atas reaksi fotokimia NO2 dengan radiasi matahari. Senyawa O3 memiliki peran ganda dalam kimia atmosfer, yaitu sebagai pencemar dan gas rumah kaca (Biancofiore et al., 2015). Dengan meningkatnya volume kendaraan, maka kadar O3 akan semakin tinggi (Gao et al., 2017). Kadar tertinggi ozon di Kota Surabaya mencapai 2.000 μg/Nm3, melebihi baku mutu berdasarkan Peraturan Pemerintah No. 41 Tahun 1999 (235 μg/Nm3) (Constantya, 2016). Selain dampak kesehatan terhadap manusia, O3 juga menyebabkan dampak terhadap tumbuhan (Soedomo, 2001).

Sebagai langkah awal dalam pengelolaan pencemaran udara, maka dibutuhkan informasi data kualitas udara. Data kualitas udara dapat diperoleh melalui stasiun pemantau kualitas udara. Kota Surabaya memiliki tujuh stasiun pemantau kualitas udara. Namun, tidak semua stasiun berfungsi dengan baik. Menurut Kementerian Lingkungan Hidup dan Kehutanan (2017),

3

hanya tiga stasiun yang berfungsi dengan baik, yaitu SUF-1, SUF-6, dan SUF-7. Kondisi ini mengakibatkan data yang ada tidak cukup merepresentasikan kualitas udara secara menyeluruh. Sehingga, salah satu cara untuk menyediakan informasi data kualitas udara adalah dengan membangun model dispersi udara perkotaan (Assomadi, 2016).

Model dispersi pencemar udara adalah penggambaran perpindahan dan proses dispersi pencemar udara secara meteorologis (Ukaigwe dan Osoka, 2013). Model dispersi pencemar udara dapat digunakan untuk memperkirakan dampak yang dihasilkan dari emisi udara yang disebabkan oleh lalu lintas kendaraan bermotor (Zhai, 2016). Model dispersi pencemar udara dapat dijadikan salah satu teknik yang paling baik untuk mengidentifikasi sumber pencemar udara (De Visscher, 2014). Selain itu, model dispersi juga dapat digunakan untuk memprediksi polusi udara yang akan terjadi (Macdonald, 2003). Sehingga, model yang dihasilkan dapat menjadi salah satu input data yang bermanfaat dalam proses penentuan kebijakan terkait pencemaran udara di perkotaan (Holnicki, 2016).

1.2. Rumusan Masalah

Masalah yang ingin dikaji dalam penelitian ini antara lain: 1. Bagaimana model persebaran emisi pencemar non-

konservatif yang dihasilkan oleh aktivitas lalu lintas di wilayah Surabaya Pusat.

2. Bagaimana perubahan kualitas udara ambien akibat aktivitas transportasi di wilayah Surabaya Pusat.

1.3. Tujuan

Tujuan dilaksanakan penelitian ini adalah: 1. Memodelkan persebaran pencemar non-konservatif yang

diemisikan dari aktivitas lalu lintas di wilayah Surabaya Pusat.

2. Menganalisis perubahan kualitas udara ambien akibat aktivitas transportasi di wilayah Surabaya Pusat.

1.4. Ruang Lingkup

Ruang lingkup dari penelitian ini adalah:

4

1. Data yang digunakan adalah data dari stasiun pemantauan kualitas udara SUF-1 dan data traffic counting dari Dinas Perhubungan Kota Surabaya.

2. Pencemar udara yang dimodelkan adalah pencemar non-konservatif primer, yaitu NOx. Senyawa NOx yang dimodelkan diwakili oleh parameter NO2.

3. Permodelan dilakukan pada jalan arteri sekunder dalam radius 5 km dari stasiun pemantau kualitas udara SUF-1.

4. Beban emisi yang digunakan adalah beban emisi maksimal dari aktivitas lalu lintas.

5. Skenario dispersi pencemar udara dibuat berdasarkan variasi musim dan kecepatan angin.

6. Model dispersi yang digunakan adalah persamaan pendekatan model distribusi pencemaran di perkotaan dengan penambahan kinetika reaksi pencemar non-konservatif.

1.5. Manfaat

Manfaat dari penelitian ini antara lain: 1. Mendapatkan pola persebaran pencemar udara yang

diemisikan dari aktivitas lalu lintas. 2. Bentuk pemetaan persebaran emisi pencemar non-

konservatif yang dihasilkan oleh aktivitas lalu lintas, khususnya kendaraan bermotor.

3. Masukan data untuk kebijakan pencegahan dan pengendalian pencemaran dari aktivitas lalu lintas di Kota Surabaya secara komprehensif.

5

BAB 2

TINJAUAN PUSTAKA

2.1. Gambaran Umum Wilayah Studi

Surabaya terletak di kordinat 07 21 lintang selatan dan 112 36 sampai 112 54 bujur timur. Elevasi surabaya adalah 3-6 meter di atas permukaan laut. Luas wilayah Surabaya adalah 326,36 km2 dan terbagi dalam 31 kecamatan. Temperatur Kota Surabaya pada tahun 2015 adalah 24,9-33,6 OC dengan penyinaran matahari 61 %. Sedangkan kecepatan angin rata-rata adalah 24 knot (tabel 2.1).

Tabel 2.1. Kondisi Meteorologis Surabaya

Sumber: BPS Surabaya, 2017

Jumlah kendaraan bermotor di Surabaya pada tahun 2015 sebanyak 2.126.168 kendaraan (tabel 2.2). Dengan tingginya jumlah kendaraan bermotor, maka pencemaran udara akan semakin meningkat. Hal ini disebabkan lalu lintas berkontribusi hingga 70 % terhadap pencemaran udara (Kusminingrum dan Gunawan, 2008).

Tabel 2.2. Jumlah Kendaraan di Surabaya

Sumber: BPS Surabaya, 2017

Tahun Suhu (OC) Penyinaran Matahari (%)

Kecepatan angin (knot)

2012 24,8-35,4 59 25 2013 22,5-34,3 75 25 2014 23,2-35,3 78 26 2015 24,9-33,6 61 24

Jenis Kendaraan Jumlah

Sedan dan sejenisnya 56.046 Jeep dan sejenisnya 34.997

STWAGON dan sejenisnya 257.072 Bus dan sejenisnya 2.936 Truk dan sejenisnya 119.049

Sepeda motor dan sejenisnya 1.655.891 Alat berat dan sejenisnya 177

Total 2.126.168

6

2.2. Pencemaran Udara

Peraturan Gubernur Jawa Timur No. 10 Tahun 2009 menyatakan bahwa pencemaran udara adalah masuk atau dimasukkannya zat, energi, dan/atau komponen lain ke dalam udara ambien oleh kegiatan manusia, sehingga mutu udara ambien turun sampai ke tingkat tertentu yang menyebabkan udara ambien tidak dapat memenuhi fungsinya. Sumber pencemar udara terbagi atas beberapa ketegori antara lain:

- Berdasarkan sumbernya, pencemar udara terbagi atas:

• Sumber Alami: Sumber pencemar berasal dari aktivitas alami misalnya emisi vulkanik (di daerah pegunungan).

• Sumber Antropogenik: Sumber pencemar berasal dari kegiatan manusia. Misalnya kendaraan bermotor dan industri.

- Berdasarkan jenis pencemarnya, pencemar udara terdiri atas:

• Pencemar Spesifik: Pencemar yang berasal dari sumber spesifik di suatu tempat tertentu. Misalnya: debu atau partikulat dari industri semen dan amonia dari industri pupuk.

• Pencemar Indikatif: pencemar bersifat umum dan ditemukan hampir di semua tempat. Misalnya: CO, Nitrogen oksida dan Total Suspended Particulate.

- Berdasarkan keadaan sumber pencemarnya yang terdiri atas:

• Sumber Tetap (Stationary Sources) yaitu sumber pencemar yang tidak berpindah lokasi. Misalnya: Pembangkit Listrik, Pemukiman, dan Industri.

• Sumber Bergerak (Mobile Sources) yaitu sumber pencemar dapat berpindah tempat. Misalnya: kendaraan bemotor, kereta api dan pesawat terbang.

- Berdasarkan distribusi ruangnya yang terdiri atas:

• Sumber Titik (Point Sources) yaitu sumber pencemar yang berada di tempat tertentu. Misalnya: industri.

• Sumber Garis (Line Sources) yaitu sumber pencemar yang dapat berpindah tempat sehingga terdistribusi pada jarak tertentu. Misalnya: kendaraan bermotor.

7

• Sumber Area (Area Sources) yaitu sumber pencemar dimana sumber pencemar terdistribusi dalam area tertentu. Misalnya: kebakaran hutan.

- Berdasarkan pembentukan pencemarnya yang terdiri atas:

• Pencemar Primer yaitu adalah pencemar udara yang komposisinya tidak mengalami perubahan dalam atmosfer, baik secara kimiawi maupun fisik dalam jangka waktu tertentu. Misalnya: CO, CO2, dan CH4.

• Pencemar Sekunder yaitu pencemar yang terbentuk di atmosfer sebagai hasil reaksi-reaksi atmosferik. Misalnya: hidolisis, reaksi fotokimia dan oksidasi.

Berdasarkan sumbernya, pencemaran akibat aktivitas lalu lintas dapat diklasifikasikan sebagai pencemaran sumber antropogenik. Sedangkan berdasarkan distribusi ruangnya, pencemaran akibat lalu lintas termasuk dalam pencemaran sumber garis. Sumber utama pencemar udara akibat aktivitas lalu lintas adalah kendaraan bermotor (Vallero, 2008).

2.3. Parameter Pencemaran Udara

Berdasarkan mekanisme penguraian zatnya, pencemar terbagi menjadi dua jenis yaitu pencemar konservatif dan non-konservatif. Pencemar konservatif adalah pencemar yang hanya akan terdilusi atau tersuspensi apabila terjadi proses perpindahan dan/atau difusi. Sedangkan pencemar non-konservatif adalah pencemar yang dapat meluruh melalui mekanisme penguraian biologis atau karena reaksi kimia meskipun tanpa melibatkan proses perpindahan pencemar atau difusi (Kautitas, 1983 dalam Haryanto, 2008). Contoh pencemar konservatif adalah oksida sulfur (SOx), karbon monoksida (CO), dan Particulate matter (PM). Sedangkan contoh pencemar non-konservatif adalah nitrogen dioksida (NOx). NOx berperan sebagai polutan primer yang akan menghasilkan polutan sekunder, yaitu ozon (O3). Produksi ini dipicu oleh reaksi fotokimia.

2.3.1. Nitrogen Oksida (NOx)

Nitrogen oksida (NOx) adalah kelompok gas yang terdiri atas gas nitrit oksida (NO) dan nitrogen dioksida (NO2) (Siregar, 2005). NOx adalah salah satu polutan yang penting untuk

8

dipelajari karena sifat toksisitas terhadap manusia (Zouzelka dan Rathousky, 2017). Selain itu, NOx juga susah dihilangkan dikarenakan mekanisme tertentu terkait dengan kinetika kimia atau desorpsi oleh catalytic converter (IMechE, 2013 dalam Landolsi et al., 2017). Sumber NOx di perkotaan antara lain industri, kendaraan bermotor, PLTU, dan industri perminyakan (Soedomo, 2001).

Pembentukan NOx didasarkan pada pembentukan masing-masing NO dan NO2. Pembentukan NO terjadi atas tiga mekanisme, yaitu mekanisme Zeldovitch, mekanisme Fenimore, dan mekanisme N2O. Mekanisme Zeldovitch didasarkan pada pembentukan NO dari N2. Mekanisme ini hanya dapat terjadi pada suhu tinggi, diatas 1.700 K. Contoh reaksi pembakaran pada kendaraan bermotor. Mekanismenya adalah sebagai berikut:

𝐶8𝐻18 + 12,5 (𝑂2 + 3,76𝑁2) → 8𝐶𝑂2 + 9𝐻2𝑂 + 47𝑁2 (2.1)

𝑁2 + 𝑂 ↔ 𝑁𝑂 + 𝑁 (2.2) 𝑁 + 𝑂 2 ↔ 𝑁𝑂 + 𝑂 (2.3)

𝑁 + 𝑂𝐻 ↔ 𝑁𝑂 + 𝐻 (2.4) Sehingga, secara umum, reaksi pada mekanisme ini adalah: 𝑁2 + 𝑂2 → 2𝑁𝑂 (2.5) Sedangkan berdasarkan mekanisme Fenimore, dengan

menambahkan radikal yang terbentuk, termasik atom hidrogen. Persamaan 2.5 sebagai inisiasi mekanisme ini membutuhkan energi aktivasi yang lebih rendah. Setelah itu CN radikal dan HCN yang terbentuk pada persamaan 2.6. akan membentuk NO:

𝐶𝐻 + 𝑁2 → 𝐻𝐶𝑁 + 𝑁 (2.6)

𝐻𝐶𝑁 + 𝐻 → 𝐶𝑁 + 𝐻2 (2.7)

𝐻𝐶𝑁 + 𝑂𝐻 → 𝐶𝑁 + 𝐻2𝑂 (2.8) Mekanisme ketiga melibatkan nitrous oksida (N2O) dan

terjadi pada tekanan yang tinggi. Rasio tipikal konsentrasi NO terhadap NO2 adalah sebesar 10% (Sportisse, 2010). Kadar NOx di udara pada suatu kota bervariasi sepanjang hari. Perubahan ini bergantung pada intensitas sinar matahari dan aktivitas kendaraan bermotor. Menurut Departemen Kesehatan (2008), perubahannya adalah sebagai berikut:

1. Sebelum matahari terbit, kadar NO dan NO2 tetap stabil dengan kadar sedikit lebih tinggi dari kadar minimum sehari-hari.

9

2. Pada saat aktivitas manusia meningkat pada pagi hari (jam 6-8 pagi), kadar NO meningkat dikarenakan aktivitas lalu lintas. Kadar NO yang terbentuk dapat mencapai 1-2 ppm.

3. Dengan adanya sinar matahari yang memancarkan sinar ultra violet, maka kadar NO2 akan terbentuk. Kadar yang terbentuk dapat mencapai 0,5 ppm.

4. Kadar ozon yang terbentuk akan meningkat seiring dengan menurunnya kadar NO hingga 0,1 ppm.

5. Jika intensitas sinar matahari menurun pada sore hari (jam 5-8 malam), maka kadar NO meningkat kembali.

6. Energi matahari tidak mengubah NO menjadi NO2 (melalui reaksi hidrokarbon), tetapi O3 yang terkumpul akan berekasi dengan NO. Akibatnya akan terjadi kenaikan kadar NO2 dan penurunan kadar O3.

7. Produk akhir dari pencemaran NOx di udara dapat berupa asam nitrat, yang kemudian diendapkan sebagai garam-garam nitrat di dalam air hujan atau debu. Mekanisme utama pembentukan asam nitrat dari NO2 di udara masih terus dipelajari. Namun, tahapan reaksi mungkin terjadi sebagai berikut: 𝑂3 + 𝑁𝑂2 ↔ 𝑁𝑂3 + 𝑂2

(2.9)

𝑁𝑂3 + 𝑁𝑂2 ↔ 𝑁2𝑂5 (2.10) 𝑁2𝑂5 + 2𝐻𝑁𝑂3 ↔ 2𝐻𝑁𝑂3 (2.11)

Dampak NOx terhadap kesehatan manusia adalah sebagai berikut (Faiz et al., 1990 dalam Liaquat et al., 2010):

1. Dapat meningkatkan kerentanan manusia untuk tertular infeksi virus seperti influenza.

2. Membuat iritasi paru-paru dan menyebabkan edema, bronkitis, dan pneumonia.

3. Menigkatkan sensitivitas penderita asma terhadap debu dan serbuk sari.

2.3.2 Ozon (O3)

Ozon (O3) termasuk dalam polutan sekunder, dimana O3 adalah hasil reaksi atmosferik antara oksida-nitrogen oksida dengan hidrokarbon (oksidan fotokimia). Reaksi ini diinisiasi oleh energi fotonik dari sinar ultra violet (Soedomo, 2001).

10

Pembentukan ozon dipengaruhi oleh berbagai prekursor, antara lain nitrit oksida (NOx) dan Volatile Organic Compound (VOC) (Chen et al., 2018). Selain oleh prekursor, pembentukan O3 juga dipengaruhi oleh faktor meteorologis (Tie et al., 2009c dalam Gao, 2017).

Ozon yang dihasilkan melalui reaksi fotokimia di troposfer memiliki waktu tinggal yang lebih lama; beberapa hari di lapisan batas bumi hingga beberapa minggu di troposfer bebas (Aleksic et al., 2016). Kadar ozon di perkotaan mengalami kecenderungan untuk meningkat. Hal ini disebabkan oleh (Wang et al., 2009; Zhang et al., 2015 dalam Gao, 2017):

1. Reaksi fotokimia pembentukan O3 dari prekursornya. 2. Kondisi fotokimia (radiasi sinar matahari). 3. Regional transport dari konsentrasi O3. Menurut Assomadi et al. (2016), fluktuasi data harian ozon di

Surabaya adalah sebagai berikut: 1. Fase 1 (fase pembentukan ozon permukaan) dimulai

pada 08.30 WIB sampai siang hari (12.30-13.00 WIB). Pada fase ini, konsentrasi ozon permukaan meningkat dari 30-40 μg/m3 ke nilai maksimumnya, yaitu 110 μg/m3 selama musim hujan dan 90 μg/m3 selama musim kemarau.

2. Fase 2 atau fase destruksi ozon permukaan, terjadi setelah tengah hari hingga sore hari. Pada fase ini, konsentrasi ozon menurun hingga level terendah, yaitu 30-40 μg/m3.

3. Fase 3 atau fase tetap, dimana konsentrasi ozon tetap rendah hingga terbitnya matahari keesokan harinya.

Apabila kadar ozon di permukaan bumi melebihi baku mutu yang ditetapkan, maka dikhawatirkan akan timbul dampak bagi kesehatan manusia. Dampak tersebut antara lain (Faiz et al., 1990 dalam Liaquat et al., 2010):

1. Menyebabkan batuk-batuk dan gangguan paru-paru. 2. Pusing dan ketidaknyamanan fisik. 3. Mengurangi daya tahan tubuh terhadap demam dan

pneumonia. 4. Dapat menimbulkan penyakit jantung kronis, asma,

bronkitis, dan emfisema.

11

2.3.3. Hubungan Nitrogen Oksida dengan Ozon

Nitrogen Oksida dan Ozon terhubung dalam suatu siklus ozon sebagai akibat dari reaksi fotokimia. Hubungan tersebut digambarkan pada persamaan kimia berikut (Vallero, 2008):

𝑁𝑂2 + ℎ𝑣 → 𝑁𝑂 + 𝑂∗ (2.12)

𝑂∗ + 𝑂2 + 𝑀 → 𝑂3 + 𝑀 (2.13)

𝑁𝑂 + 𝑂3 → 𝑁𝑂2 + 𝑂2 (2.14)

Persamaan 2.11 menggambarkan disosiasi NO2 secara fotokimia. Persamaan 2.12 menunjukkan pembentukan ozon dari percampuran antara O* dan O2. Sedangkan M adalah molekul ketiga lainnya (N2 dan O2 di atmosfer). Persamaan 2.13 menunjukkan oksidasi NO oleh O3 untuk membentuk NO2 dan oksigen molekuler. Reaksi ini tergambarkan dalam skema siklus (gambar 2.13) yang dipicu oleh foton yang direpresentasikan sebagai hv. Dalam kondisi reaksi tersebut, konsentrasi NO, NO2, dan O3 secara cepat menjadi setimbang saat siang hari. Pada kondisi ekuilibrium ini, rasio percampuran NO, NO2, dan NO3 dapat berubah. Namun, rasio percampuran NOx atau Ox (O3 + NO2) tidak berubah (García-Yee, 2017).

Gambar 2.1. Siklus fotokimia NO, NO2, O3, dan radikal bebas

Sumber: Vallero, 2008

12

2.3.4. Baku Mutu

Baku mutu udara ambien adalah ukuran batas atau kadar zat, energi, dan/atau komponen yang ada atau yang seharusnya ada dan/atau unsur pencemar yang ditenggang keberadaannya dalam udara ambien (PP 41/1999). Baku mutu kualitas udara ambien yang diacu dalam penelitian ini terdapat pada tabel 2.3.

Tabel 2.3. Baku Mutu Udara Ambien

No. Parameter Waktu Pengukuran

Baku Mutu

Acuan

1. Nitrogen Dioksida (NO2)

1 jam 400 μg/Nm3

PP 41/1999

24 jam 150 μg/Nm3

1 tahun 100 μg/Nm3

2. Ozon (O3) 1 jam 235 μg/Nm3

PP 41/1999

1 tahun 50 μg/Nm3

3. Nitrogen Oksida (NOx)

24 jam 92,5 μg/Nm3

Pergub Jatim 10/2009

Sumber: PP 41/1999 dan Pergub Jatim 10/2009.

2.3.5. Mekanisme Penyerapan Pencemar Udara oleh Tumbuhan

Pencemar udara pada suatu udara ambien dapat dihilangkan dengan menggunakan mekanisme penyerapan polutan oleh tumbuhan pada suatu ruang terbuka hijau. Polutan diserap melalui stomata pada daun untuk kemudian dimetabolisme di dalam jaringan daun (Omasa et al., 2002).

13

Kemampuan serapan NOx oleh tumbuhan bervariasi terhadap jenisnya. Penelitian oleh Nasrullah et al. (2000) menunjukkan bahwa serapan gas NO2 oleh tanaman berkisar antara 0,28-68,31 µg/g, semak 1,97-100,02 µg/g, dan tanaman penutup tanah antara 2,38-24,06 µg/g. Tabel 2.4 berikut menunjukkan beberapa jenis tanaman dengan kinerja penyerapan NO2 tertinggi. Kemampuan serapan ini kemudian dapat dijadikan acuan pembuatan ruang terbuka hijau untuk penyerapan emisi NOx aktivitas lalu lintas.

Tabel 2.4. Tanaman dengan Serapan NO2 Terbaik

No. Jenis Nama Tanaman Serapan NO2

(µg/g)

1 Tanaman Semak

Jacobina carnea 100,02 2 Malphigia sp. 93,28 3 Acalypha

wilkesiana 64,8

4 Tanaman Pohon

Erythrina variegata 68,31 5 Caliandra

surinamensis 41,01

6 Samanea saman 35,37 7 Tanaman

Penutup Tanah Alternanthera

ficoides 24,06

8 Zoysia matrella 22,58 9 Rhoeo discolor 18,81

Sumber: Nasrullah et al., 2000.

2.4. Persebaran Pencemar Udara

Persebaran pencemar udara adalah persebaran kompleks molekul dalam bentuk fluida yang disebabkan oleh pergerakan acak dari fluida dan molekul itu sendiri (De Visscher, 2014). Persebaran pencemar udara pada wilayah perkotaan pada dasarnya bersifat akut. Dampak akan timbul dalam skala yang lebih luas, baik temporal maupun spasial. Hal ini disebabkan perbedaan pola dan karakteristik meteorologis antar daerah.

Gambar 2.2. Penyerapan Polutan oleh Stomata Daun Sumber: Omasa et al., 2002

14

Selain itu juga dikarenakan faktor kimia atmosfer dan fenomena transpor (Soedomo, 2001).

Secara umum, mekanisme persebaran pencemar adalah (Haryanto, 2008):

1. Difusi, adalah bertambah luasnya area penyebaran polutan yang disebabkan oleh gerak molekul secara acak (gerak Brown). Area persebaran polutan pada bidang 3 dimensi (sumbu x, y, dan z).

2. Adveksi, adalah proses pengangkutan pencemar yang dipengaruhi oleh arus/aliran fluida dengan kecepatan penjalaran sama dengan kecepatan fluida.

Faktor yang mempengaruhi persebaran pencemaran udara adalah (Vallero, 2008):

1. Arah dan kecepatan angin. Arah angin mempengaruhi arah persebaran polutan dari sumbernya. Sedangkan kecepatan angin mempengaruhi waktu tempuh polutan dari sumber ke penerima. Selain itu kecepatan angin juga berefek pada pengenceran polutan pada sumber secara terus menerus.

2. Turbulensi, adalah pergerakan angin secara tidak biasa. Mekanisme turbulensi yang penting dalam proses percampuran polutan di atmosfer adalah eddy diffusion. Pusaran turbulensi ini menyebabkan pemecahan pembentuk atmosfer yang menyebabkan percampuran udara terpolusi dengan udara bersih.

2.5. Emisi dari Aktivitas Jalan Raya

Pada satu dekade belakangan, emisi akibat aktivitas di jalan raya di negara berkembang semakin meningkat. Emisi ini memicu peningkatan pencemaran udara di perkotaan. Hal ini disebabkan peningkatan jumlah kendaraan yang pesat dan mobilitas masyarakat yang tinggi (Liaquat et al., 2010). Beberapa emisi yang dihasilkan dari kendaraan bermotor antara lain oksida sulfur (SOx), nitrogen oksida (NOx), amonia (NH3), non-methane volatile organic compound (NMVOC), dan particulate matter (PM). Polutan yang terkait dengan aktivitas dari jalan raya, seperti NO2 dan PM, memicu kekhawatiran akan dampaknya pada kesehatan masyarakat. Sedangkan, polutan gas lainnya berperan dalam

15

pemanasan global, asidifikasi atmosfer, dan pembentukan polutan sekunder (Antanasijević et al., 2017).

2.5.1. Klasifikasi Jalan Raya

Menurut Undang-Undang Republik Indonesia Nomor 38 Tahun 2004 tentang Jalan, sistem jaringan jalan terdiri dari dua jenis yaitu:

1. Sistem jaringan jalan primer, menghubungkan secara menerus kota jenjang satu, kota jenjang dua, kota jenjang tiga dan kota jenjang di bawahnya sampai ke persil dalam satu satuan wilayah pengembangan

2. Sistem jaringan jalan sekunder, menghubungkan kawasan-kawasan yang mempunyai fungsi primer, fungsi sekunder kesatu, fungsi sekunder kedua, fungsi sekunder ketiga dan seterusnya sampai ke perumahan.

Sedangkan menurut fungsinya, jalan dikelompokkan menjadi beberapa jenis, antara lain:

1. Jalan arteri, jalan umum yang berfungsi melayani angkutan utama dengan ciri perjalanan jarak jauh, kecepatan rata-rata tinggi, dan jumlah jalan masuk dibatasi secara berdaya guna.

2. Jalan kolektor, jalan umum yang berfungsi melayani angkutan pengumpul atau pembagi dengan ciri perjalanan jarak sedang, kecepatan rata-rata sedang, dan jumlah jalan masuk dibatasi.

3. Jalan lokal, jalan umum yang berfungsi melayani angkutan setempat dengan ciri perjalanan jarak dekat, kecepatan rata-rata rendah, dan jumlah jalan masuk tidak dibatasi.

4. Jalan lingkungan, jalan umum yang berfungsi melayani angkutan lingkungan dengan ciri perjalanan jarak dekat dan kecepatan rata-rata rendah.

2.5.2. Perhitungan Beban Pencemar

Beban pencemar adalah besarnya emisi yang masuk ke dalam udara ambien dari suatu kegiatan di suatu daerah selama satu kurun waktu tertentu (Kementerian Lingkungan Hidup, 2010). Perhitungan beban pencemar menjadi dasar dalam

16

perhitungan model dispersi pencemar udara untuk parameter pencemar tertentu. Secara umum, perhitungan beban emisi berdasarkan IPCC (2006) adalah sebagai berikut:

𝐸𝑎 = 𝐴 𝑥 𝐸𝐹 𝑥 𝐿 𝑥 𝑓 (2.15) Dimana: Ea = Beban pencemar polutan a A = Laju aktivitas kendaraan EF = Faktor emisi (gr/km) L = Panjang jalan (km) Perhitungan beban pencemar didasarkan pada klasifikasi

sumber pencemar sesuai dengan beban emisi yang diacu. Tabel 2.4 menunjukkan klasifikasi sumber pencemar untuk perhitungan beban emisi berdasarkan Peraturan Menteri Lingkungan Hidup (Permen LH) No. 12 Tahun 2010.

Tabel 2.5. Klasifikasi Kendaraan Bermotor untuk Perhitungan

Beban Emisi

Kategori untuk Perhitungan Beban Pencemar Udara

Sub-Kategori untuk Perhitungan Beban Pencemar Udara

Sepeda Motor Roda 2

Roda 3

Mobil Bensin Sedan

Jeep Bensin

Van/minibus bensin

Taksi

Mikrolet/angkutan kota

Pick-up bensin

Mobil Solar Jeep solar

Van/minibus solar

Pick-up solar

17

Sumber: Permen LH 12 Tahun 2010

Berdasarkan Permen LH 12 Tahun 2010, faktor emisi untuk masing-masing jenis kendaraan di Indonesia terdapat pada tabel 2.5. Namun, faktor emisi dari setiap kendaraan dapat dipengaruhi oleh kecepatan rata-rata masing-masing jenis kendaraan ketika mengemisikan beban pencemar. Sehingga, diperlukan penyesuaian faktor emisi berdasarkan kecepatan kendaraan. Penyesuaian faktor emisi didasarkan pada Assomadi (2016), dimana penyesuaian ini didasarkan pada perbandingan linier antara konsumsi bahan bakar dengan beban emisi. Kemudian perbandingan ini dijadikan dasar dalam estimasi beban emisi yang dihasilkan pada kecepatan kendaraan tertentu. Penyesuaian ini terdapat pada tabel 2.6.

Tabel 2.6. Faktor Emisi per Kategori

Kategori untuk Perhitungan Beban Pencemar Udara

NOx (g/km)

Sepeda Motor 0,29 Mobil (bensin) 2 Mobil (solar) 3,5

Mobil 2,3 Bis 11,9

Truk 17,7

Sumber: Permen LH 12 Tahun 2010.

Mobil Sedan

Jeep

Van/minibus

Taksi

Mikrolet/angkutan kota

Pick-up

Bis Metromini dan sejenisnya

Bis

Truk Truk dan Alat Berat

18

Tabel 2.7. Koreksi Kecepatan

Kecepatan (km/jam) Faktor Kecepatan (km/jam) Faktor

110 1,5 50 1,1

100 1,4 40 1,24

90 1,25 30 1,4

80 1 36 1,304

70 1 10 2,5

60 1 5 3,6

Sumber: Assomadi, 2016

2.6. Model Dispersi Pencemar Udara

Model dispersi pencemar udara adalah penggambaran perpindahan dan proses dispersi pencemar udara secara meteorologis. Permodelan dilakukan menggunakan pendekatan matematis atau statistik dalam periode tertentu (Ukaigwe dan Osoka, 2013). Fungsi model dispersi antara lain (Seinfeld dan Pandis, 1998 dalam Fatehifar et al., 2006):

1. Membuat regulasi terkait baku mutu kualitas udara. 2. Mengevaluasi dampak kebijakan dan strategi

pengendalian emisi. 3. Memprakirakan sumber pencemar udara yang akan

muncul. 4. Membuat pengendalian pencemaran udara untuk

mengurangi dampaknya sesuai dengan daerah yang dimodelkan.

5. Mengevaluasi ketaatan terhadap baku mutu yang ada. Model dispersi udara adalah cara yang sangat baik untuk

mengevaluasi apakah sumber polusi udara menyebabkan masalah atau tidak. Sumber polusi udara dapat ditentukan dari hasil permodelan ditambahkan dengan konsentrasi yang sudah ada di ambien sebelumnya dan dapat ditentukan selanjutnya apakah nilai tersebut masih dapat diterima. Konsentrasi yang dapat diterima berdasarkan regulasi, toksikologi, ekotoksikologi, atau dengan cara sederhana apakah pencemaran tersebut menggangu warga lokal disekitar sumber atau tidak (De Visscher, 2014).

19

Dalam membangun sebuah model dispersi pencemar udara, dibutuhkan beberapa langkah yang harus dilakukan (gambar 2.3). Langkah-langkah tersebut antara lain:

1. Memasukan data yang dibutuhkan, antara lain konsentrasi polutan, kondisi meteorologis, data sumber emisi, opsi model yang digunakan, dan data topografis.

2. Memproses data menggunakan model dispersi yang dipilih.

3. Menghasilkan keluaran berupa prediksi polutan pada titik tertentu.

4. Analisis data, berupa penilaian dampak potensial terhadap lingkungan dan kesehatan.

Gambar 2.3. Skema Model Dispersi Pencemar Udara

Sumber: Ministry for the Environment, 2004.

2.6.1. Transformasi Koordinat

Perhitungan koordinat diperlukan sebagai salah satu input dalam permodelan yang akan dilakukan. Beberapa sistem yang digunakan untuk menyatakan besarnya sudut dalam perhitungan koordinat antara lain (Purwoharjo, 1986):

1. Sistem seksagesimal, dimana keliling lingkaran dibagi dalam 360 bagian (derajat). Nilai 1o (derajat) setara dengan 60' (menit) dan 1' setara dengan 60" (detik).

20

2. Sistem radial, dimana keliling lingkaran dibagi dalam bagian yang disebut satu radial.

3. Sistem waktu, dimana sistem waktu digunakan dalam pengukuran astronomi. Nilai 360o setara dengan 24 jam dan 1 jam setara dengan 15 o.

Setelah diketahui koordinat dari masing-masing titik pengukuran yang diinginkan, maka terlebih dahulu dilakukan transformasi koordinat kartesius. Transformasi koordinat kartesius dilakukan mengikuti perubahan arah angin. Perhitungan transformasi koordinat didasarkan pada Assomadi (2016). Transformasi koordinat digambarkan dalam diagram berikut.

Gambar 2.4. Sistem koordinat kartesius dan kedudukan line source (J) dan penerima (P)

Sumber: Assomadi, 2016.

Pendekatan transformasi koordinat penerima dengan analisis geometri adalah sebagai berikut:

Gradien jalan m = 𝑦2−𝑦1

𝑥2−𝑥1 (2.16)

Sudut arah jalan dari sudut angin N (A) = a tan (m) (2.17) Konstanta pada garis jalan (k) = y1 - mx1

(2.18) Selisih sudut jalan dengan arah angin (B)

B = - 90 + A (2.19) Jarak penerima dengan jalan searah angin (d)

21

d = ((𝑚𝑥1+𝑘−𝑦)/√(1+𝑚2))

𝑠𝑖𝑛 𝐵 (2.20)

Titik potong garis angin melewati pengamat dengan jalan J1 (x1,y1) = (xe, ye)

𝑥𝑒 = 𝑚𝑎𝑥−𝑚𝑥1−𝑦+𝑦1

𝑚𝑎−𝑚 (2.21)

𝑦𝑒 = 𝑚1(𝑥𝑒 − 𝑥1) + 𝑦1 (2.22)

2.6.2. Faktor Difusi

Persebaran polutan dapat terjadi karena proses difusi, adveksi, dan proses lain yang terjadi (proses kimia atau biologis). Secara umum, persamaan yang dapat menggambarkan proses persebaran kontaminan yang disebabkan oleh proses difusi adalah (Assomadi, 2016):

𝜕𝑐

𝜕𝑡= ∑ (𝐷𝑥

𝜕2𝐶

𝜕𝑥2 + 𝐷𝑦𝜕2𝐶

𝜕𝑦2 + 𝐷𝑥𝜕2𝐶

𝜕𝑧2)𝑖1 (2.23)

Dengan menyelesaikan diferensial tersebut dalam kondisi perhitungan parsial terhadap X, maka didapatkan persamaan:

𝐶 (𝑥, 𝑡) = 𝑚𝑎

𝐴√4𝜋𝐷𝑥𝑡𝑒𝑥𝑝 (

−(𝑥−𝑥𝑜)2

4𝐷𝑥𝑡) (2.24)

Difusi suatu polutan akan tersebar ke ruang 3 dimensi (sumbu x, y, dan z). Difusi polutan akan terjadi hingga suatu titik dimana terjadi plume maksimal dari suatu pencemar. Gambar 2.6 menggambarkan difusi ke arah vertikal (Dz) dengan kondisi titik x dan y tetap.

22

Gambar 2.5. Skema difusi pencemar secara vertikal (Dz)

Sumber: Assomadi, 2016.

Pada ketinggian di bawah sumber pencemar, konsentrasi di setiap titik sepanjang sumbu z merupakan jumlah superposisi distribusi konsentrasi dari sumber riil dan sumber imajiner dengan batas permukaan bumi. Secara matematis, pernyataan ini dapat dirumuskan sebagai berikut:

𝐶(𝑧, 𝑡) = 𝐶(𝑧0 ,𝑡) + 𝐶 (−𝑧0 ,𝑡) (2.25)

𝐶 (𝑥, 𝑡) = 𝑚𝑎

𝐴√4𝜋𝐷𝑧𝑡(𝑒𝑥𝑝 (

−(𝑧−𝑧𝑜)2

4𝐷𝑧𝑡) + 𝑒𝑥𝑝 (

−(𝑧+𝑧𝑜)2

4𝐷𝑧𝑡) ) (2.26)

2.6.3. Faktor Kinetika Reaksi

Faktor kinetika reaksi menggambarkan hubungan antara konsentrasi O3, NO2, dan radiasi matahari. Laju reaksi yang terjadi pada persamaan 2.11 dan 2.12 dapat digambarkan dalam perumusan sebagai berikut:

𝑑[𝑂]

𝑑𝑡= 𝑘1[𝑁𝑂2]ℎ𝑣 − 𝑘2 [𝑂][𝑂2] (2.27)

𝑑[𝑂3]

𝑑𝑡= 𝑘2 [𝑂][𝑂2] (2.28)

Dengan mempertimbangkan kondisi lapangan seperti perubahan fluks radiasi selama pembentukan ozon, keadaan reaksi di atmosfer perkotaan, dan nilai di lapangan, maka didapatkan persamaan reaksi sebagai berikut.

[𝑂3]𝑡 = [𝑂3]𝑜 + 𝑘1𝑘𝑖ℎ𝑣𝑡

[𝑁𝑂2]𝑟= 𝑘

ℎ𝑣𝑡

[𝑁𝑂2]𝑟 (2.29)

[𝑁𝑂2]𝑟 = 𝜆 = 𝑘 ℎ𝑣𝑡

[𝑂3]𝑡 (2.30)

Berdasarkan aplikasi persamaan kinetika-matematika untuk data Kota Surabaya dalam penelitian Assomadi et al. (2016), maka didapatkan nilai k untuk musim penghujan adalah 1,1044 (μg/m2)2/watt. Sedangkan nilai k pada musim kemarau adalah 0,9466 (μg/m2)2/watt. Hal ini dipengaruhi oleh faktor radiasi sinar matahari dan faktor konsentrasi NO2 di atmosfer.

2.6.4. Pendekatan Model Distribusi Pencemar di Perkotaan

Persamaan model distribusi pencemar udara di perkotaan yang umum digunakan adalah persamaan Gauss. Persebaran ini menganggap bahwa pencemar udara tersebar mengikuti

23

distribusi normal atau Gaussian. Berikut adalah persamaan Gauss (de Visscher, 2014).

𝐶𝐿 (𝑥, 𝑦, 𝑧) = 𝑄

2𝜋.𝑣.𝜎𝑦.𝜎𝑧𝑒𝑥𝑝 (−

1

2(

𝑦

𝜎𝑦)

2

) (𝑒𝑥𝑝 −1

2(

𝑧−𝐻

𝜎𝑧)

2

+

𝑒𝑥𝑝 −1

2(

𝑧+𝐻

𝜎𝑧)

2

) (2.31)

Persamaan tersebut berlaku untuk permodelan pencemaran

udara secara umum, tanpa mempertimbangkan karakteristik khas dari masing-masing wilayah, seperti karakteristik meteorologisnya. Selain itu, persamaan tersebut juga belum mempertimbangkan kinetika reaksi pencemar non-konservatif. Sehingga, diperlukan suatu persamaan yang bisa menyempurnakan kelemahan-kelemahan tersebut.

Penelitian Assomadi (2016) membuat suatu pendekatan model dispersi pencemar udara di wilayah perkotaan. Model ini sudah mempertimbangkan beberapa hal, antara lain karakteristik khas dari suatu wilayah, yaitu wilayah Surabaya, dan mempertimbangkan kinetika reaksi pencemar non-konservatif. Model ini dibangun atas asumsi kuantitas aktivitas transportasi yang mengikuti pola tetap dan perubahan kestabilan atmosfer yang terjadi alamiah. Persamaan berikut adalah model persebaran pencemar udara dari satu sumber.

𝐶𝐿 (𝑥, 𝑦, 𝑧) = 𝑄

4𝜋𝑥′√𝐷𝑦𝐷𝑧 𝑒𝑥𝑝 (

−𝑦2𝑣

4𝐷𝑦𝑥′) (𝑒𝑥𝑝 (

−(𝑧−𝐻)2𝑣

4𝐷𝑧𝑥′) +

𝑒𝑥𝑝 (−(𝑧+𝐻)2𝑣

4𝐷𝑧𝑥′)) (𝑒𝑥𝑝(−𝑘𝐶𝑛)) (2.32)

Pada prinsipnya, model distribusi pencemaran dari sumber garis adalah sekumpulan persamaan titik yang membentuk pola tertentu. Karena sumber garis terletak pada sumbu y, maka nilai Dy akan diabaikan. Persamaan infinite yang dapat digunakan dalam memodelkan pencemar udara dari sumber garis adalah:

24

𝐶𝐿 (𝑥, 𝑦, 𝑧) = 𝑄

√2𝜋 𝐷𝑧𝑥 (𝑒𝑥𝑝 (

−(𝑧−𝐻)2𝑣

4𝐷𝑧𝑥) +


4𝐷𝑧𝑥)) (𝑒𝑥𝑝 (

−𝜆𝑥

𝑣)) [𝑒𝑟𝑓 (

𝑠𝑖𝑛𝜃(𝐿

2−𝑦)−𝑥 𝑐𝑜𝑠𝜃

√2 𝐷𝑦𝑥) +

𝑒𝑟𝑓 ((𝑠𝑖𝑛𝜃(

𝐿

2−𝑦)+𝑥 𝑐𝑜𝑠𝜃

√2 𝐷𝑦𝑥))] (2.33)

Dengan: CL (x,y,z) = Konsentrasi pada titik (x,y,z) (gr/m3) Q = Beban emisi (gr/det) x = Jarak searah angin (m) y = Jarak tegak lurus arah angin (m) z = Ketinggian reseptor (m) H = Tinggi efektif sumber dari permukaan (m) v = Kecepatan angin (m/det)

= [NO2] bereaksi (μg/m3) (Pers. 2.29) Dz, Dy = Konstanta difusi θ = Sudut angin L = Panjang jalan

2.6.5. Verifikasi Model

Menurut De Visscher (2014), secara umum sebuah permodelan dikatakan berhasil apabila:

1. Konsentrasi polutan per jam yang terprediksi berada dalam rentang faktor dua kali dari konsentrasi aktual.

2. Dalam jangka waktu yang panjang, konsentrasi rata-rata yang diprediksi oleh model mendekati konsentrasi rata-rata aktual.

3. Apabila konsentrasi prediksi dan aktual diurutkan dari terendah ke tertinggi, maka distribusi yang didapatkan harus sama.

Secara matematis, suatu model dispersi pencemar udara skala perlu diverifikasi untuk melihat kesesuaian hasil model dengan teori yang ada maupun kondisi lapangan. Berdasarkan Sportisse (2010), US EPA merekomendasikan simpangan hasil pengukuran di lapangan sebesar 72 % dan nilai korelasi 0,572. Nilai korelasi menggambarkan linearitas dan keeratan hubungan

25

antara data model dengan hasil pemantauan di lapangan. Nilai korelasi data dapat dihitung dengan persamaan berikut:

𝐶𝑜𝑟𝑟 = ∑ (𝑦𝑖−�̅�)(𝑜𝑏𝑠𝑖−𝑜𝑏𝑠̅̅ ̅̅ ̅)𝑛

𝑖=1

√(𝑦𝑖−�̅�)2√(𝑜𝑏𝑠𝑖−𝑜𝑏𝑠̅̅ ̅̅ ̅)2 (2.34)

Dengan: yi = Nilai model obsi = Nilai observasi Selain menggunakan nilai korelasi model terhadap nilai

observasi, verifikasi model juga dapat menggunakan persamaan RMSE (Persamaan 2.33). Root Mean Square Error (RMSE) menggambarkan besar deviasi (error) data antara data model dengan data pengukuran di lapangan. Nilai RMSE biasa digunakan dalam mengukur performa model meteorologis, kualitas udara, dan studi tentang iklim (Chai dan Draxler, 2014).

𝑅𝑀𝑆𝐸 = √1

𝑛∑ (𝑦𝑖 − 𝑜𝑏𝑠𝑖)2𝑛

1 (2.35)

2.6.6. Faktor Kalibrasi Model

Berdasarkan penelitian Assomadi (2016), persamaan 2.32 diverifikasi terhadap model Gauss yang sudah ada. Verifikasi yang dilakukan menunjukkan bahwa hasil model jauh lebih besar daripada hasil model Gauss. Sehingga, diperlukan penambahan faktor kalibrasi untuk memperbaiki hasil verifikasi model. Persamaan faktor kalibrasi yang digunakan adalah persamaan 2.34. Kemudian, persamaan ini dimasukkan ke dalam model sehingga didapatkan hasil estimasi model yang sudah terkalibrasi.

𝑓𝑘 = (39,2−3,25𝑣)𝑣2

𝑥 (2.36)

Dengan: v = kecepatan angin (m/det) x = jarak (m)

2.7. Metode Overlay

Setelah dilakukan pembuatan model, kemudian dilakukan overlay terhadap masing-masing hasil permodelan dengan kondisi yang berbeda-beda. Menurut Handayani et al. (2005), overlay adalah proses integrasi data dari lapisan-lapisan yang berbeda. Overlay dilakukan dengan menggabungkan dua peta

26

tematik dengan area yang sama dan membentuk layer peta yang baru. Metode overlay antara lain:

1. Union, yaitu mengkombinasikan beberapa poligon coverage yang ada sehingga menghasilkan poligon coverage yang baru.

2. Intersection, yaitu membuat overlay dua himpunan data. Keluaran metode ini adalah fitur-fitur dari irisan dua coverage.

3. Identity, yaitu membuat coverage baru dengan melakukan overlay dua himpunan fitur. Keluaran metode ini adalah sebagian identitas fitur coverage tertentu yang termasuk di dalam masukan coverage.

2.8. Manajemen Data

Manajemen data merupakan salah satu upaya untuk memastikan bahwa data yang digunakan bersifat akurat dan dapat merepresentasikan populasi data yang ada. Manajemen data yang digunakan mencakup seleksi data dan melengkapi data yang hilang, Seleksi data dapat menggunakan standar deviasi, sedangkan melengkapi data yang hilang dapat menggunakan metode IPCC (2007).

Standar deviasi menggambarkan sebaran data sampel dan jarak antara data dengan rata-rata data. Standar deviasi dapat digunakan untuk mengetahui apakah sampel data sudah mewakili seluruh populasi. Data-data yang diluar standar deviasi dapat dinyatakan sebagai data outlier. Persamaan yang digunakan dalam perhitungan standar deviasi adalah sebagai berikut.

𝜎 = √1

𝑛 ∑ (𝑋𝑖 − 𝜇)2𝑁

𝑖=𝑁 (2.37)

Dimana: σ = Standar deviasi populasi N = Jumlah data Xi = Data ke-i µ = Rata-rata data Selain seleksi data, upaya lain dalam manajemen data

adalah melengkapi data yang hilang. Menurut IPCC (2007), metode penambahan data yang bisa digunakan adalah:

27

1. Metode overlap. Data seri waktu dapat dibuat berdasarkan hubungan (overlap) data-data pengamatan antara dua sumber terdekat pada waktu yang sama.

2. Metode surrogate data. Pendekatan data dilakukan berdasarkan perubahan sumber (parameter) yang mempengaruhinya. Data yang hilang didekati dengan membandingkan data yang diketahui hubungan sumber yang mempengaruhinya dihubungkan dengan sumber yang berubah.

3. Metode interpolasi data. Pendekatan data dilakukan berdasarkan data sebelum dan sesudah yang hilang berdasarkan tren data.

4. Metode ekstrapolasi data. Apabila data yang hilang berada di luar rentang data, maka pendekatan dilakukan dengan menggunakan kecenderungan yang ada.

2.9. Matlab

Matlab adalah sebuah program yang memanfaatkan bahasa dengan performa tinggi untuk komputasi teknis. Matlab mengintegrasikan perhitungan, visualisasi, dan pemrograman dalam suatu tampilan antar muka (Mathworks, 2005). Matlab dapat memecahkan permasalahan dalam 0 dan 1 dimensi. Selain itu, persoalan 2 dan 3 dimensi dapat diselesaikan dengan pendekatan analitik (Holzbecher, 2012).

Sistem Matlab terdiri dari 5 bagian, antara lain (Mathworks, 2005):

1. Development environment, adalah seperangkat alat dan fasilitas untuk menggunakan file dan fungsi Matlab.

2. Perpustakaan fungsi matematika pada Matlab, yaitu kumpulan algoritma komputasi untuk berbagai jenis persamaan.

3. Bahasa Matlab, yaitu bahasa matrix/array tingkat tinggi dengan kontrol aliran statement, fungsi, struktur data, input/output, dan fitur pemrograman berorientasi pada objek.

4. Grafik, dimana Matlab memiliki berbagai fasilitas untuk menampilkan vektor dan matriks sebagai grafik.

28

Termasuk juga fungsi untuk visualisasi data 2 dan 3 dimensi, pemrosesan gambar, animasi, dan sebagainya.

5. Tampilan antar muka eksternal, fungsi ini memungkinkan Matlab untuk berinteraksi dengan program lain, antara lain C dan Fortran.

29

BAB 3

METODE PENELITIAN

3.1. Umum

Penelitian yang dilakukan terkait dengan model persebaran pencemar non-konservatif dari aktivitas lalu lintas perkotaan di wilayah Surabaya Pusat. Tujuan yang ingin dicapai adalah prakiraan beban emisi dan pola persebaran pencemar non-konservatif. Metode perhitungan beban emisi yang digunakan dalam penelitian ini metode berdasarkan IPCC (2006). Sedangkan model persebaran yang digunakan adalah model berdasarkan penelitian Assomadi (2016). Analisis yang dilakukan dalam penelitian ini mencakup analisis kondisi meteorologis, analisis beban emisi, analisis pola persebaran pencemar, verifikasi data, dan analisis perubahan kualitas udara ambien.

Target keluaran penelitian ini adalah verifikasi model persebaran emisi pencemar non-konservatif dari aktivitas lalu lintas dengan nilai korelasi yang baik, yaitu 0,572. Selain itu, target penelitian ini adalah aplikasi model untuk menilai perubahan kualitas udara ambien akibat aktivitas lalu lintas di wilayah Surabaya Pusat.

3.2. Wilayah Studi

Penelitian ini berfokus pada emisi dari aktivitas lalu lintas di wilayah Surabaya Pusat. Kualitas udara di wilayah Surabaya Pusat diukur dengan menggunakan stasiun pemantau kualitas udara SUF-1. SUF-1 berlokasi di Taman Prestasi, Jalan Ketabang Kali, Surabaya. Radius jangkauan pengukuran kualitas udara dari suatu stasiun pemantauan kualitas udara adalah 5 km (SARPEDAL KLH, 2003). Jangkauan dari SUF-1 terdapat pada gambar 3.1.

30

Gambar 3.1. Jangkauan SUF-1 (Sumber: Google Earth)

Berdasarkan jangkauan SUF-1, maka dipilih beberapa jalan raya yang tercakup jangkauan SUF-1 untuk pengambilan data aktivitas lalu lintas. Jalan raya yang dipilih berkategori jalan raya arteri sekunder. Jalan arteri sekunder diperuntukan sebagai pelayanan angkutan jarak jauh dengan kecepatan tinggi. Sehingga, arteri sekunder memiliki kepadatan lalu lintas yang lebih tinggi dibanding dengan jalan jenis lain. Jalan yang terpilih sebagai lokasi survey lalu lintas adalah Jalan Basuki Rahmat, Jalan Embong Malang, dan Jalan Panglima Sudirman (gambar 3.2).

31

Gambar 3.2. Jalan Raya Lokasi Survey Sumber: Google Earth

3.2. Kerangka Penelitian

Kerangka penelitian secara ringkas dapat dilihat pada gambar 3.3.

A

Rumusan Masalah 1. Bagaimana model persebaran emisi pencemar non-konservatif

yang dihasilkan oleh aktivitas lalu lintas di wilayah Surabaya Pusat.

2. Bagaimana perubahan kualitas udara ambien akibat aktivitas transportasi di wilayah Surabaya Pusat.

Tujuan Penelitian 1. Memodelkan persebaran pencemar non-konservatif yang

diemisikan dari aktivitas lalu lintas di wilayah Surabaya Pusat. 2. Menganalisis perubahan kualitas udara ambien akibat aktivitas

transportasi di wilayah Surabaya Pusat.

Ide Penelitian Pemetaan Persebaran Pencemar Non-Konservatif dari

Aktivitas Lalu Lintas di Wilayah Surabaya Pusat Menggunakan Model Gauss Termodifikasi

32

Tahap Pengumpulan Data 1. Data tren kadar NOx di udara ambien yang terdeteksi oleh SUF-1 selama 5 tahun terakhir 2. Data tren meteorologi Kota Surabaya selama 5 tahun terakhir 3. Data volume lalu lintas harian di wilayah Surabaya Pusat selama 5 tahun terakhir

Tahap Pendahuluan 1. Kajian literatur terkait:

• Pencemar Non-konservatif

• Penentuan beban emisi dari aktivitas lalu lintas

• Model dispersi pencemar udara

• Verifikasi data 2. Perizinan ke instansi:

• Bakesbangpol

• BMKG

• Dishub

• DLH

Pengolahan Data 1. Analisis kondisi meteorologi 2. Perhitungan beban emisi dari aktivitas lalu lintas. 3. Permodelan persebaran NOx 4. Verifikasi data

A

B

33

Gambar 3.3. Kerangka Penelitian

3.3. Tahap Pendahuluan

Tahap pendahuluan pada penelitian ini terdiri atas: 1. Kajian literatur yang dilakukan antara lain terhadap:

• Karakteristik dan persebaran pencemar non-konservatif

• Penentuan beban emisi dari aktivitas lalu lintas

• Model dispersi pencemar udara yang dapat memodelkan persebaran pencemar non-konservatif dari sumber garis (line source) dengan faktor kinetika reaksi.

• Metode verifikasi model persebaran pencemar. 2. Melakukan perizinan untuk kepentingan pengumpulan

data pada instansi pemerintah dan penyedia data, antara lain:

• Badan Kesatuan Bangsa dan Politik (Bakesbangpol) Kota Surabaya, sebagai perizinan permulaan untuk pengambilan data pada instansi pemerintah.

• Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), untuk kepentingan data meteorologis.

Kesimpulan dan Saran Penelitian Lanjutan

Pembahasan 1. Emisi NOx dari aktivitas lalu lintas di wilayah Surabaya Pusat. 2. Pemetaan persebaran emisi NOx. 3. Perubahan kualitas udara ambien akibat emisi NOx.

B

34

• Dinas Perhubungan (Dishub), untuk kepentingan data terkait jalan raya dan lalu lintas.

• Dinas Lingkungan Hidup (DLH), untuk kepentingan data tren kualitas udara di Kota Surabaya dan data meteorologis pada SUF-1.

3.4. Tahap Pengumpulan Data

Data yang diperlukan untuk penelitian ini terdapat pada tabel 3.1.

Tabel 3.1. Data Penelitian yang Dibutuhkan

No. Jenis Data Metode Pengambilan Data

Durasi Data Asal Data

1. Konsentrasi NOx di wilayah Surabaya Pusat

Data Sekunder 5 Tahun (2012-2017)

Dinas Lingkungan Hidup Kota Surabaya.

2. Data meteorologis, mencakup kecepatan dan arah angin, suhu, tekanan udara, dan radiasi sinar matahari.


Badan Meteorologi, Klimatologi, dan Geofisika (Stasiun Juanda); Dinas Lingkungan Hidup Kota Surabaya

3. Data volume kendaraan yang melalui wilayah Surabaya Pusat (pada jalan arteri sekunder), data panjang jalan, derajat kejenuhan.


Dinas Perhubungan Kota Surabaya; Data penelitian terdahulu.

35

3.5. Tahap Pengolahan Data dan Pembahasan

Analisis data dilakukan dalam rangka menentukan beban emisi, membuat model persebaran pencemar udara, dan verifikasi data. Selain itu juga analisis data terkait dengan perubahan kualitas udara ambien. Data pertama yang akan dianalisis adalah data meteorologis Kota Surabaya, terutama pada wilayah Surabaya Pusat. Analisis yang akan dilakukan mencakup tren arah dan kecepatan angin 2 musim, yaitu musim penghujan dan musim kemarau. Pembuatan windrose dilakukan dengan bantuan piranti lunak WRPLOT dengan metode terlampir.

Keluaran dari analisis ini berupa windrose yang menggambarkan arah dan kecepatan angin dominan. Windrose kemudian dijadikan acuan dalam pembuatan skenario persebaran emisi NOx. Data yang dijadikan acuan meliputi arah dan kecepatan angin tertinggi, rata-rata, dan minimal yang terjadi pada kedua musim.

Analisis data selanjutnya adalah terkait dengan beban emisi NOx dari aktivitas lalu lintas. Metode perhitungan beban emisi NOx didasarkan pada persamaan 2.14, dimana data yang dibutuhkan adalah jumlah kendaraan berdasarkan tipenya dan kecepatan rata-rata di jalan raya, serta panjang jalan.

𝐸𝑎 = 𝐴 𝑥 𝐸𝐹 𝑥 𝐿 (2.14) Dimana: Ea = Beban pencemar polutan a A = Laju aktivitas kendaraan EF = Faktor emisi (gr/km) L = Panjang jalan (km) Kecepatan kendaraan yang digunakan berdasarkan

pendekatan dengan faktor derajat kejenuhan. Kendaraan yang disurvey untuk perhitungan beban emisi antara lain:

1. Motor 2. Mobil Pribadi 3. Angkot 4. Taxi 5. Bus Mini 6. Pick Up/box 7. Mini Truk 8. Bus Besar

36

9. Truk 2 sb 10. Truk 3 sb 11. Truk Gandeng 12. Trailer

Keluaran dari analisis ini adalah beban emisi yang dihasilkan dari aktivitas jalan raya. Keluaran ini dijadikan dasar analisis persebaran pencemar udara non-konservatif.

Selanjutnya adalah memodelkan persebaran pencemar non-konservatif. Dasar model yang digunakan adalah pendekatan model distribusi pencemaran di perkotaan. Persamaan yang digunakan untuk membuat model persebaran adalah persamaan 2.32.

𝐶𝐿 (𝑥, 𝑦, 𝑧) = 𝑄

√2𝜋 𝐷𝑧𝑥 (𝑒𝑥𝑝 (

−(𝑧−𝐻)2𝑣

4𝐷𝑧𝑥) +


4𝐷𝑧𝑥)) (𝑒𝑥𝑝 (

−𝜆𝑥

𝑣)) [𝑒𝑟𝑓 (

𝑠𝑖𝑛𝜃(𝐿

2−𝑦)−𝑥 𝑐𝑜𝑠𝜃

√2 𝐷𝑦𝑥) +

𝑒𝑟𝑓 ((𝑠𝑖𝑛𝜃(

𝐿

2−𝑦)+𝑥 𝑐𝑜𝑠𝜃

√2 𝐷𝑦𝑥))] (2.32)

Dengan: CL (x,y,z) = Konsentrasi pada titik (x,y,z) (gr/m3) Q = Beban emisi (gr/det) x = Jarak searah angin (m) y = Jarak tegak lurus arah angin (m) z = Ketinggian reseptor (m) H = Tinggi efektif sumber dari permukaan (m) v = Kecepatan angin (m/det)

= Konstanta laju reaksi ((μg/m2)2/watt) Dz, Dy = Konstanta difusi (1,75 torr.cm2/det) θ = Sudut angin L = Panjang jalan

Data yang perlu dimasukkan antara lain:

• Data beban emisi pencemar non-konservatif (Q). Permodelan akan didasarkan pada tren perubahan konsentrasi NOx.

• Data arah angin terhadap jalan raya (θ) dan data kecepatan angin (v). Data ini didapatkan dari windrose

37

angin Surabaya Pusat maupun skenario kecepatan angin yang digunakan.

• Data tinggi efektif sumber pencemar (H). Sumber emisi pencemar yang diteliti adalah knalpot dari kendaraan bermotor, sehingga tinggi efektif yang digunakan adalah tinggi efektif sumber pencemar.

• Lokasi reseptor terhadap jalan raya pengemisi pencemar dalam bentuk koordinat kartesius (x,y).

• Tinggi reseptor (Z), dengan tinggi reseptor yang digunakan adalah tinggi stasiun pemantau kualitas udara.

• Konstanta kinetika reaksi (). Kinetika reaksi yang digunakan berdasarkan dua musim, yaitu musim penghujan dan musim kemarau.

Permodelan persebaran emisi dilakukan dengan bantuan piranti lunak Microsoft Excel sebagai database data yang diperlukan dan Matlab sebagai bantuan untuk melakukan permodelan secara matematis. Perhitungan pada piranti Matlab dengan menggunakan berbagai script (terlampir). Secara umum, langkah perhitungan model persebaran adalah:

1. Membagi grid persebaran emisi. Pembagian grid bertujuan untuk menetapkan lokasi-lokasi reseptor persebaran emisi dari aktivitas jalan raya. Pembagian grid dilakukan pada wilayah Surabaya Pusat dengan pusat emisi ada di jalan arteri sekunder yang telah ditetapkan. Grid dibagi menjadi 300 titik dikarenakan pada jumlah grid ini, dihasilkan penggambaran persebaran yang cukup baik.

2. Menghitung transformasi koordinat. Setelah dilakukan penetapan grid, selanjutnya adalah menghitung transformasi koordinat. Sebelumnya, seluruh koordinat dikonversi dalam bentuk koordinat kartesius. Kemudian, koordinat reseptor ditransformasi terhadap koordinat jalan raya yang dimodelkan dengan persamaan 2.22 dan 2.23. Selain itu, sudut angin juga dikoreksi terhadap sudut jalan raya dengan persamaan 2.18-2.21.

Gradien jalan m = 𝑦2−𝑦1

𝑥2−𝑥1 (2.17)

Sudut arah jalan dari sudut angin N (A) A= arc tan (m) (2.18)

38

Konstanta pada garis jalan (k)= y1 - mx1 (2.19)

Selisih sudut jalan dengan arah angin (B)

B= - 90 + A (2.20) Jarak penerima dengan jalan searah angin (d)

d= ((𝑚𝑥1+𝑘−𝑦)/√(1+𝑚2))

𝑠𝑖𝑛 𝐵 (2.21)

Titik potong garis angin melewati pengamat dengan jalan J1 (x1,y1) = (xe, ye)

𝑥𝑒 = 𝑚𝑎𝑥−𝑚𝑥1−𝑦+𝑦1

𝑚𝑎−𝑚 (2.22)

𝑦𝑒 = 𝑚1(𝑥𝑒 − 𝑥1) + 𝑦1 (2.23) 3. Menghitung persebaran emisi.

Dengan menggunakan data-data yang diperlukan, maka persebaran emisi dapat dimodelkan untuk setiap titik reseptor. Perhitungan persebaran emisi dilakukan dengan menggunakan persamaan 2.32 untuk setiap skenario yang ditetapkan. Masukan parameter sesuai dengan kebutuhan permodelan.

4. Verifikasi Model terhadap Reseptor Verifikasi model dilakukan secara teoritis dan menggunakan parameter statistik, yaitu korelasi dan RMSE. Verifikasi dilakukan secara time-series terhadap data di SUF-1. Verifikasi dilakukan dengan menggunakan persamaan 2.33 dan 2.34.

𝐶𝑜𝑟𝑟 = ∑ (𝑦𝑖−�̅�)(𝑜𝑏𝑠𝑖−𝑜𝑏𝑠̅̅ ̅̅ ̅)𝑛

𝑖=1

√(𝑦𝑖−�̅�)2√(𝑜𝑏𝑠𝑖−𝑜𝑏𝑠̅̅ ̅̅ ̅)2 (2.33)

𝑅𝑀𝑆𝐸 = √1

𝑛∑ (𝑦𝑖 − 𝑜𝑏𝑠𝑖)2𝑛

1 (2.34)

Verifikasi dilakukan dengan menggunakan data 1 tahun terakhir dari SUF-1. Data yang dipilih adalah data yang lengkap dan konsisten berdasarkan manajemen data yang dilakukan.

39

Gambar 3.4. Contoh Tampilan Antarmuka Matlab

Analisis yang sudah dilakukan kemudian dibahas secara lebih detail. Pembahasan terkait model persebaran mencakup penjelasan pengaplikasian model untuk memetakan persebaran emisi NOx dari aktivitas lalu lintas. Keluaran dari analisis ini adalah model persebaran NOx yang sudah terverifikasi dengan peta kontur awal. Pada tahap ini, acuan peta persebaran yang digunakan adalah peta wilayah Surabaya Pusat (gambar 3.6). Tahap kedua adalah membuat model persebaran sesuai grid tertentu sehingga membentuk kontur konsentrasi persebaran NOx. Keluaran dari analisis ini adalah gambaran pola persebaran emisi NOx. Sehingga, dampak perubahan kualitas udara ambien pada kondisi tertentu akibat aktivitas lalu lintas bisa dianalisis.

40

Gambar 3.5. Peta Wilayah Surabaya Pusat (Tanpa skala) Sumber: Pemerintah Kota Surabaya

Gambar 3. 6. Contoh Keluaran Peta Persebaran dari Matlab

Permodelan yang dilakukan pada tahap kedua dilakukan berdasarkan skenario kecepatan angin dan musim (tabel 3.2). Skenario kecepatan angin yang ingin diteliti adalah kecepatan angin rendah, sedang, dan tinggi. Klasifikasi didasarkan pada kecepatan angin sesuai dengan skala Beaufort (tabel 3.3). Klasifikasi kecepatan angin rendah sesuai dengan skala Beaufort 3. Sedangkan, kecepatan angin rendah dan tinggi masing-masing pada skala Beaufort 4 dan 5. Skenario musim yang digunakan adalah musim kemarau dan musim penghujan sesuai dengan kinetika reaksi yang digunakan.

Tabel 3.2. Skenario Model Dispersi

Musim Kecepatan Angin

Rendah (1) Sedang (2) Tinggi (3)

Kemarau (K) K1 K2 K3

Penghujan (H) H1 H2 H3

41

Tabel 3.3. Skala Beaufort

Nomor Beaufort Kekuatan Angin Kecepatan rata-rata (m/det)

3 Sedikit Hembusan Angin 1,5-3,3

4 Hembusan Angin Pelan 3,3-5,5

5 Hembusan angin Sedang

5,5-8

Pada analisis ini, gambaran pola persebaran yang

diharapkan berupa sebuah peta persebaran masing-masing pencemar sesuai dengan skenario yang dibuat. Pada tahap ini, peta persebaran yang digunakan adalah peta wilayah Surabaya untuk melihat efek persebaran pencemar NOx terhadap seluruh wilayah Surabaya. Peta persebaran dibuat ke arah 8 mata angin sesuai dengan windrose yang telah dibuat. Kemudian peta persebaran tersebut di-overlay dengan metode union sehingga menghasilkan akumulasi konsentrasi polutan pada suatu titik reseptor. Hasil persebaran polutan kemudian dibuat dalam bentuk peta kontur konsentrasi polutan.

Gambar 3.7. Peta Wilayah Surabaya (Tanpa skala) Sumber: Pemerintah Kota Surabaya

42

Halaman ini sengaja dikosongkan

43

BAB 4

PEMBAHASAN

4.1. Gambaran Umum Kondisi Lalu Lintas

4.1.1. Karakteristik Jalan

Karakteristik jalan merpakan salah satu input data penting dalam penentuan beban emisi. Hal ini dikarenakan besar emisi polutan berkorelasi dengan jarak yang ditempuh suatu kendaraan, yang diwakili oleh panjang jalan. Jalan yang digunakan untuk perhitungan beban emisi adalah jalan arteri sekunder di wilayah Surabaya Pusat yang disurvey oleh Dinas Perhubungan Kota Surabaya. Sebagai data awal, perlu diketahui koordinat masing-masing jalan. Koordinat masing-masing jalan diketahui menggunakan piranti lunak “Google Earth.” Tabel 4.1. berikut menunjukkan posisi jalan yang disurvey.

Tabel 4.1. Posisi Jalan Raya yang Disurvey

No. Nama Jalan

Koordinat Jalan (Kartesius)

Awal Akhir

x y x y

1 Urip Sumoharjo 112,741 -7,277 112,742 -7,273

2 Basuki Rahmat 112,742 -7,273 112,741 -7,271

112,741 -7,271 112,7409 -7,265

112,7409 -7,265 112,741 -7,263

112,741 -7,263 112,7405 -7,262

112,7405 -7,262 112,739 -7,261

3 Embong Malang 112,739 -7,261 112,733 -7,258

112,733 -7,258 112,733 -7,2582

4 Tunjungan 112,736 -7,255 112,7406 -7,262

5 Gubernur Suryo 112,7406 -7,262 112,741 -7,262

112,741 -7,262 112,741 -7,263

112,741 -7,263 112,745 -7,264

112,745 -7,264 112,7455 -7,2646

44

6 Pemuda 112,7509 -7,266 112,7455 -7,2646

7 Panglima Sudirman 112,7455 -7,2646 112,742 -7,273

Sebagai pelengkap data jalan yang disurvey, maka dilakukan pendataan terhadap jalan arteri sekunder lain yang tidak disurvey. Jalan yang dipilih mencakup jalan arteri sekunder lain yang ada di wilayah Surabaya Pusat dan berlokasi di sekitar jalan yang disurvey. Tabel 4.2. berikut adalah data jalan raya penunjang yang terpilih. Sedangkan koordinat masing-masing jalan terlampir pada lampiran 1.

Tabel 4.2. Daftar Jalan Penunjang

No. Nama Jalan No. Nama Jalan

1 Urip Sumoharjo 11 Tembaan

2 Basuki Rahmat 12 Dupak

3 Embong Malang 13 Gemblongan

4 Tunjungan 14 Bubutan

5 Gubernur Suryo 15 Kapasan

6 Pemuda 16 Pahlawan

7 Panglima Sudirman 17 Kramat Gantung

8 Kalianyar 18 Blauran

9 Ngaglik 19 Pandegiling

10 Kapasari

Sumber: Hasil perhitungan

Berdasarkan koordinat kartesius pada masing-masing jalan, maka panjang seluruh jalan dapat dihitung. Berikut adalah contoh perhitungan untuk Jalan Urip Sumoharjo. Hasil perhitungan panjang jalan untuk seluruh jalan terdapat pada tabel 4.3.

Diketahui: Latitude Awal (X awal) = 112,741 Longitude Awal (Y awal) = -7,277 Latitude Akhir (X akhir) = 112,742 Longitude Akhir (X akhir) = -7,273 Selisih latitude (Lat) = |x awal-x akhir| x 60 = |112,741-112,742| x 60 = 0,06 Selisih longitude (Long) = |y awal-y akhir| x 60 = |-7,277 – (-7,273)| x 60 = 0,24

Jarak = √𝑙𝑎𝑡2 + 𝑙𝑜𝑛𝑔2𝑥 1852

45

= √0,062 + 0,242𝑥 1852

= 0,46 km Tabel 4.3. Panjang Masing-masing Jalan

No Nama Jalan Panjang

Jalan (km)

No Nama Jalan Panjang

Jalan (km)

1 Urip Sumoharjo 0,46 11 Tembaan 0,58

2 Basuki Rahmat 1,46 12 Dupak 1,27

3 Embong Malang 0,77 13 Gemblongan 0,36

4 Tunjungan 0,93 14 Bubutan 1,41

5 Gubernur Suryo 0,7 15 Kapasan 0,97

6 Pemuda 0,62 16 Pahlawan 0,88

7 Panglima Sudirman 1,01 17 Kramat Gantung 0,64

8 Kalianyar 0,37 18 Blauran 0,3

9 Ngaglik 0,54 19 Pandegiling 1,83

10 Kapasari 0,86

Sumber: Hasil perhitungan.

4.1.2. Volume Lalu Lintas

Berdasarkan data dari Dinas Perhubungan Kota Surabaya (2017), volume kendaraan di Surabaya, khususnya wilayah Surabaya Pusat, cenderung mengalami peningkatan. Rata-rata perubahan volume kendaraan sejak tahun 2007-2017 adalah 1,80 %. Gambar 4.1. berikut menggambarkan tren jumlah kendaraan pada masing-masing jalan yang disurvey.

0,0

20000,0

40000,0

60000,0

80000,0

100000,0

120000,0

140000,0

160000,0

2012 2013 2014 2015 2016 2017

Vo

lum

e L

HR

(sm

p)

Tahun

Jl. Embong malang Jl. Urip Sumoharjo Jl. Pemuda

Jl. Panglima Sudirman Jl. Basuki Rahmat

46

Gambar 4.1. menggambarkan bahwa tren jumlah kendaraan

bermotor yang melintasi jalan-jalan yang disurvey cenderung fluktuatif. Hal ini bisa disebabkan adanya kondisi khusus yang mungkin terjadi pada saat kegiatan traffic counting. Namun, grafik atas dapat merepresentasikan kondisi lalu lintas harian rata-rata di Surabaya.

Volume lalu lintas terbesar adalah pada Jalan Urip Sumoharjo. Hal ini dikarenakan jalan tersebut dilalui oleh kendaraan yang akan menuju ke Surabaya Pusat, maupun yang akan menuju ke arah selatan. Sedangkan untuk jalan lainnya, pola yang dihasilkan cenderung mirip dikarenakan jalan-jalan tersebut merupakan jalan satu arah yang menjadi sebuah rangkaian jalan.

Proporsi kendaraan yang melintasi wilayah survey Surabaya Pusat terlihat pada gambar 4.2. Terlihat bahwa proporsi terbesar kendaraan yang melintas adalah sepeda motor, yaitu mencapai 69%. Hal ini konsisten dengan populasi kendaraan bermotor terbesar, yaitu motor (BPS Surabaya, 2017).

69%

28%

1%

1% 0% 1% 0%

0%

0% 0% 0%0%

0%

Motor

Mobil Pribadi

Angkot

Taxi

Bus Mini

Pickup/Box

Mini Truk

Bus Besar

Truk 2 sb

Truk 3sb

Truk Gandeng

Trailer

Kend. Tak Bermotor

Gambar 4.2. Proporsi Kendaraan di Surabaya Pusat Sumber: Hasil perhitungan

Gambar 4.1. Pola Volume Lalu Lintas Harian Surabaya 2012-2017 Sumber: Hasil perhitungan

47

Volume lalu lintas harian yang melintasi suatu jalan raya berkorelasi erat dengan nilai derajat kejenuhan jalan tersebut. Derajat kejenuhan menggambarkan perbandingan antara jumlah kendaraan yang melintas dengan kapasitas jalan. Semakin tinggi nilai derajat kejenuhan, maka semakin tinggi kepadatan di jalan raya tersebut. Gambar 4.3. berikut menggambarkan derajat kejenuhan di masing-masing jalan yang disurvey oleh dinas perhubungan Kota Surabaya pada tahun 2017.

Sumber: Dinas Perhubungan Kota Surabaya, 2017

Berdasarkan grafik di atas, derajat kejenuhan tertinggi adalah pada Jalan Panglima Sudirman dan Jalan Basuki Rahmat. Nilai derajat kejenuhan tertinggi pada kedua jalan tersebut berturut-turut adalah 2,202 dan 1,670. Nilai derajat kejenuhan tertinggi di Jalan Panglima Sudirman terjadi pada puncak sore dikarenakan dominan pengguna jalan mengarah keluar pusat kota. Nilai derajat kejenuhan melebihi 0,8 menyebabkan meningkatnya emisi gas buang dari jalan tersebut, sehingga diperlukan rekayasa lalu lintas yang sesuai untuk menurunkan kepadatan lalu lintas (Kementerian Pekerjaan Umum, 2014).

Derajat kejenuhan berhubungan dengan kecepatan laju kendaraan pada suatu ruas jalan. Semakin tinggi derajat kejenuhan suatu jalan, maka semakin lambat kecepatan laju

0,000

0,500

1,000

1,500

2,000

2,500

Pagi Siang Sore

Dera

jat K

eje

nuhan

Periode Puncak

Panglima Sudirman

Basuki Rahmat

Embong Malang

Pemuda

Urip Sumoharjo

Gambar 4.3. Tren Derajat Kejenuhan di Jalan Tersurvey 2017

48

kendaraan. Hal ini disebabkan tidak cukupnya kapasitas jalan untuk menampung volume kendaraan. Hal ini mengakibatkan kecepatan kendaraan akan melambat, bahkan hingga menimbulkan kemacetan. Tabel 4.4. menunjukkan kecepatan jalan yang disurvey oleh Dinas Perhubungan Kota Surabaya (2017).

Tabel 4.4. Kecepatan Kendaraan

Ruas Jalan

Kecepatan Kendaraan Rata-rata (km/jam)

LV HV MC

Panglima Sudirman* 26 26 26

Basuki Rahmat* 26 26 26

Embong Malang** 60,66 52,05 47,74

Pemuda** 45,86 39,10 36,09

Urip Sumoharjo** 50,14 42,74 39,29

Keterangan: *) Hasil perhitungan **) Dinas Perhubungan Kota Surabaya, 2017

Kecepatan kendaraan yang tersaji pada tabel 4.4 merupakan rata-rata kecepatan kendaraan pada saat derajat kejenuhan tertinggi, yaitu pada jam puncak pagi, siang, dan sore. Kecepatan kendaraan pada jalan Embong Malang, Pemuda, dan Urip Sumoharjo merupakan hasil perhitungan oleh Dinas Pehubungan.

Sedangkan pada Jalan Panglima Sudirman dan Jalan Basuki Rahmat, kecepatan kendaraan yang diambil adalah kecepatan kendaraan terendah. Kecepatan kendaraan terendah terjadi pada saat derajat kejenuhan lebih dari 1 (Kementerian PU, 2014). Dengan kecepatan arus bebas pada jalan tersebut sebesar 48 km/jam (Wibisono dan Utomo, 2016), maka kecepatan kendaraan yang digunakan adalah 26 km/jam.

49

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

90,00

01

.01.2

01

7

20

.01.2

01

7

08

.02.2

01

7

27

.02.2

01

7

18

.03.2

01

7

06

.04.2

01

7

25

.04.2

01

7

13

.05.2

01

7

01

.06.2

01

7

20

.06.2

01

7

08

.07.2

01

7

27

.07.2

01

7

15

.08.2

01

7

03

.09.2

01

7

22

.09.2

01

7

10

.10.2

01

7

29

.10.2

01

7

17

.11.2

01

7

05

.12.2

01

7

24

.12.2

01

7

Ko

nsen

trasi

NO

2 (µ

g/m

3)

Tanggal

NO2

Gambar 4.4. Pola Konsentrasi NO2 di SUF-1 Tahun 2017 Sumber: Dinas Lingkungan Hidup Kota Surabaya, 2017

4.2. Gambaran Kualitas Udara

Pengukuran kualitas udara di wilayah Surabaya Pusat dilakukan dengan menggunakan stasiun pemantau kualitas udara SUF-1. Data parameter kualitas udara yang digunakan dalam penelitian ini adalah data NO2. Berikut adalah gambaran tren konsentrasi NO2 harian yang tercatat pada SUF-selama tahun 2017.

Pola konsentrasi NO2 yang tercatat di SUF-1 mengalami fluktuasi yang cukup signifikan. Pada awal tahun, data yang tercatat relatif kecil.

Pencatatan data pada SUF-1 sempat berhenti beberapa hari pada bulan Januari, Juni, dan Juli. Namun, mulai akhir bulan Juli, data NO2 yang tercatat mengalami lonjakan. Hal ini kemungkinan disebabkan sensor pada SUF-1 baru terkalibrasi sehingga sensitivitas alat meningkat.

Fluktuasi tren konsentrasi NO2 terlihat berbeda berdasarkan musimnya. Pada musim kemarau, terutama pada bulan Juli-

50

Oktober, konsentrasi NO2 cenderung lebih rendah daripada pada saat musim hujan. Hal ini dapat disebabkan oleh tingginya destruksi NO2 menjadi O3 pada saat musim kemarau. Tingginya destruksi NO2 menjadi O3 dipengaruhi oleh tingginya penyinaran matahari pada musim kemarau (Dogruparmak dan Ozbay, 2011). Sehingga, rata-rata konsentrasi NO2 di ambien cenderung rendah pada musim kemarau. Sedangkan pola konsentrasi NO2 rata-rata per 30 menit terdapat pada gambar 4.5.

Berdasarkan gambar 4.5, tren NO2 yang tercatat di SUF-1 cenderung memiliki pola yang sama. Pola yang terbentuk yaitu konsentrasi tertinggi pada puncak pagi dan sore, sedangkan konsentrasi terendah pada siang hari. Pola konsentrasi NO2 yang tinggi pada pagi dan sore hari konsisten dengan kepadatan lalu lintas yang terjadi. Sedangkan, konsentrasi NO2 yang rendah pada siang hari disebabkan terjadinya reaksi fotokimia, dimana NO2 terdestruksi menjadi O3 akibat adanya energi foton dari penyinaran matahari.

Konsentrasi NO2 pada kedua musim memiliki perbedaan yang cukup signifikan. Hal ini terlihat dari konsentrasi NO2 pada musim hujan yang cenderung lebih tinggi dibandingkan musim kemarau. Hal ini sudah dijelaskan pada grafik sebelumnya, dimana hal ini disebabkan oleh reaksi fotokimia yang dipengaruhi oleh penyinaran matahari. Pada musim hujan, NO2 dapat terlarut

Gambar 4.5. Tren NO2 Harian Pada Tanggal Terpilih Sumber: Hasil perhitungan

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

00

:30

02

:00

03

:30

05

:00

06

:30

08

:00

09

:30

11

:00

12

:30

14

:00

15

:30

17

:00

18

:30

20

:00

21

:30

23

:00

Konsentr

asi N

O2

(µ

g/m

3)

Tanggal

Musim Kemarau

Musim Hujan

51

dalam air hujan. NO2 terkandung dalam air hujan dengan kadar 27,1% (Sudalma et al., 2015). Walaupun demikian, tingkat intensitas radiasi matahari tetap menjadi faktor utama dalam tingkat konsentrasi NO2 di atmosfer.

4.2.1. Pemilihan Data Verifikasi Model

Untuk keperluan verifikasi model, diperlukan pemilihan data kualitas udara. Data kualitas udara akan diklasifikasikan berdasarkan musim kemarau dan penghujan. Pemilihan data dilakukan berdasarkan kriteria berikut:

1. Kesesuaian dengan kondisi umum berdasarkan literatur atau data yang sudah terpublikasi.

2. Data masuk dalam rentang standar deviasi (data tidak outlier).

3. Kelengkapan data pada semua parameter kualitas udara maupun meteorologis.

4. Data yang dipilih adalah data selama 7 hari. Kondisi umum konsentrasi NO2 di Kota Surabaya, menurut

Kusminingrum dan Gunawan (2008) adalah antara 29,72-228,48 µg/Nm3. Sedangkan, konsentrasi O3 secara umum antara 3,72-150,46 µg/Nm3

. Berdasarkan kondisi umum kualitas udara di Kota Surabaya, maka data yang akan digunakan untuk verifikasi model adalah data yang tercatat mulai Agustus 2017 untuk parameter NO2. Sehingga, data musim kemarau yang digunakan adalah data bulan Agustus-Oktober 2017 dan data musim penghujan adalah bulan November-Desember 2017.

Selanjutnya adalah pemilihan data dengan menggunakan standar deviasi. Parameter yang akan dijadikan acuan adalah NO2 sebagai parameter utama. Data-data diluar standar deviasi yang sudah ditetapkan dinyatakan outlier. Data outlier tidak akan digunakan dalam verifikasi model. Gambar 4.6 dan 4.7 berikut menunjukkan grafik data NO2 berdasarkan musim dan standar deviasi datanya.

52

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

01

.08.2

01

7

06

.08.2

01

7

11

.08.2

01

7

16

.08.2

01

7

21

.08.2

01

7

26

.08.2

01

7

31

.08.2

01

7

05

.09.2

01

7

10

.09.2

01

7

15

.09.2

01

7

20

.09.2

01

7

25

.09.2

01

7

30

.09.2

01

7

05

.10.2

01

7

10

.10.2

01

7

15

.10.2

01

7

20

.10.2

01

7

25

.10.2

01

7

30

.10.2

01

7

Ko

nsen

trasi

NO

2 (µ

g/m

3)

Tanggal

NO2

Gambar 4.6. Konsentrasi NO2 pada Musim Kemarau Sumber: Hasil perhitungan

Gambar 4.7. Konsentrasi NO2 pada Musim Penghujan Sumber: Hasil perhitungan

0,00

10,00

20,00

30,00

40,00

50,00

60,00

70,00

80,00

90,00

01

.11.2

01

7

05

.11.2

01

7

09

.11.2

01

7

13

.11.2

01

7

17

.11.2

01

7

21

.11.2

01

7

25

.11.2

01

7

29

.11.2

01

7

03

.12.2

01

7

07

.12.2

01

7

11

.12.2

01

7

15

.12.2

01

7

19

.12.2

01

7

23

.12.2

01

7

27

.12.2

01

7

31

.12.2

01

7

Ko

nsen

trasn

i N

O2

(µ

g/m

3)

Tanggal

NO2

53

Berdasarkan grafik di atas, maka data yang dipilih adalah data dari SUF-1 pada tanggal-tanggal berikut:

1. Musim kemarau

• 1-27 Agustus

• 29 Agustus-8 September

• 11-14 September

• 22 September-16 Oktober 2. Musim hujan

• 1-5 November

• 7-15 November

• 19-23 November

• 26-5 Desember

• 8-18 Desember

• 20-23 Desember

• 30-31 Desember Setelah dilakukan rekapitulasi data pada tanggal-tanggal

tersebut, maka dipilih hari dengan data terlengkap. Untuk musim kemarau, tanggal yang dipilih adalah tanggal 2-8 September, sedangkan untuk musim hujan adalah tanggal 8-18 Desember.

4.2. Kondisi Meteorologi

4.2.1. Kondisi Meteorologi Lokal

Kondisi meteorologi lokal adalah kondisi meteorologis yang tercatat pada stasiun pemantau kualitas udara SUF-1. Kondisi ini dianggap mewakili kondisi meteorologi setempat di wilayah Surabaya Pusat. Kondisi meteorologi lokal digunakan sebagai dasar verifikasi model. Parameter meteorologis yang ditinjau meliputi GRAD, kecepatan dan arah angin.

GRAD (Global Radiation) menggambarkan intensitas penyinaran matahari yang tertangkap di SUF-1. GRAD berperan penting dalam kinetika reaksi NOx, karena reaksi fotokimia dipengaruhi oleh pancaran energi foton dari matahari (Vallero, 2008). Gambar 4.9 berikut menunjukkan GRAD rata-rata yang diterima SUF-1 pada musim kemarau maupun musim hujan.

54

0,00

100,00

200,00

300,00

400,00

500,00

600,00

700,00

00

:30

01

:30

02

:30

03

:30

04

:30

05

:30

06

:30

07

:30

08

:30

09

:30

10

:30

11

:30

12

:30

13

:30

14

:30

15

:30

16

:30

17

:30

18

:30

19

:30

20

:30

21

:30

22

:30

23

:30

GR

AD

(w

att

/m2)

Jam

GRAD Kemarau GRAD Hujan

Gambar 4.8. Pola GRAD Harian pada SUF-1 Sumber: Hasil perhitungan

Secara umum, pola GRAD mengikuti pola penyinaran matahari. Sehingga, terlihat bahwa nilai GRAD tertinggi tercatat pada pukul 12.30-13.30, sesuai dengan pola penyinaran matahari pada siang hari. Sedangkan berdasarkan musim, terlihat perbedaan tingkat GRAD yang signifikan. Secara umum, fluktuasi nilai GRAD pada musim kemarau lebih tinggi daripada GRAD pada musim hujan. Hal ini dapat disebabkan tutupan awan yang rendah pada musim kemarau sehingga permukaan bumi menerima sinar matahari dengan intensitas yang lebih tinggi.

Selain GRAD, parameter meteorologis lain yang mempengaruhi model adalah kecepatan dan arah angin. Kecepatan dan arah angin mempengaruhi arah dispersi dan luas sebaran konsentrasi pencemar udara (Vallero, 2008). Berikut adalah windrose kondisi meteorologi yang tercatat di SUF-1 pada data harian terpilih.

55

Gambar 4.10. Windrose Lokal Musim Hujan Sumber: Hasil perhitungan

Gambar 4. 9. Windrose Lokal Musim Kemarau Sumber: Hasil perhitungan

56

Berdasarkan gambar windrose di atas, terdapat perbedaan arah dan kecepatan angin pada kedua musim. Pada musim kemarau, angin cenderung mengarah ke barat laut. Sedangkan pada musim hujan, arah angin cenderung mengarah ke timur laut. Hal ini cukup konsisten dengan arah angin dominan sesuai musim, yaitu muson barat dan muson timur.

Kecepatan angin dominan ketika musim kemarau berkisar antara 0,5-2,1 m/det, sedangkan pada musim hujan adalah 2,10-3,6 m/det. Apabila dibandingkan dengan kondisi meteorologi umum Kota Surabaya, secara umum kecepatan angin dominan pada SUF-1 lebih kecil. Kecepatan dan arah angin yang tercatat di SUF-1 dapat dipengaruhi oleh banyaknya gedung tinggi di sekitar SUF-1, sehingga sedikit berbeda daripada kondisi meteorologi umum Surabaya.

4.2.2. Kondisi Meteorologi Kota Surabaya

Kondisi meteorologi Kota Surabaya menggambarkan kondisi meteorologi secara umum yang terjadi di Kota Surabaya. Parameter meteorologis yang dibahas adalah kecepatan dan arah angin dominan. Parameter ini digunakan sebagai dasar skenario persebaran pencemar udara. Data untuk perhitungan ini diperoleh dari NCDC. Data yang digunakan adalah data tahun 2017-2018. Data angin diklasifikasikan berdasarkan musim kemarau dan musim hujan. Klasifikasi musim kemarau adalah bulan Mei-Oktober 2017, sedangkan klasifikasi musim hujan adalah pada bulan November 2017-April 2018. Berikut adalah windrose untuk musim kemarau dan musim hujan.

57

Gambar 4.12. Windrose Musim Hujan Surabaya Sumber: Hasil perhitungan

Gambar 4.11. Windrose Musim Kemarau Surabaya Sumber: Hasil perhitungan

58

Berdasarkan gambar di atas, terlihat arah angin dominan berhembus dari timur ke barat. Hal ini konsisten dengan pergerakan angin muson timur ketika musim kemarau. Sedangkan pada musim hujan, angin berhembus dari barat ke timur. Hal ini konsisten dengan pergerakan angin muson barat ketika musim hujan.

Kecepatan angin dominan pada musim kemarau adalah pada kategori lebih dari 11 m/det, sedangkan kecepatan angin dominan pada musim hujan berkisar antara 5,7-8,8 m/det. Kondisi meteorologis ini yang akan menjadi acuan untuk pembuatan skenario dispersi pencemar udara non-konservatif.

4.3. Perhitungan Beban Emisi

Perhitungan beban emisi bertujuan untuk memperkirakan besar emisi yang dihasilkan dari aktivitas lalu lintas di wilayah Surabaya Pusat. Perhitungan beban emisi NOx dari sumber garis didasarkan pada perhitungan beban emisi IPCC Tier 1 (Persamaan 2.14-2.15). Rumus perhitungan beban emisi tersebut adalah:

𝐸𝑎 = 𝐴 𝑥 𝐸𝐹 𝑥 𝐿 𝑥 𝑓 Dimana: Ea = Beban emisi (gr/waktu) A = Jumlah kendaraan (kend/waktu) EF = Faktor emisi (gr/km) L = Panjang jalan (km) f = Faktor penyesuaian beban emisi dengan kecepatan Berikut adalah contoh perhitungan beban emisi untuk Jalan

Embong Malang pada jam 05.00-05.30: Diketahui Panjang jalan = 0,77 km Jumlah motor = 1948 kendaraan Kecepatan rata-rata = 47 km/jam Faktor emisi = 0,29 gr/km Faktor penyesuaian = 1,14 Beban emisi = 1948 kendaraan x 0,29 gr/km x 0,77 km x

1,14 = 495,89 gr/30 menit = 0,275 gr/det Perhitungan kendaraan lainnya terdapat pada tabel 4.5.

59

Tabel 4.5. Data Perhitungan Beban Emisi Jalan Embong Malang

Klasifikasi Jumlah (kend)

Kecepatan rata-rata (km/jam)

Faktor emisi

(gr/km)

Faktor penyesuaian

Beban Emisi (gr/30 menit)

Motor 1948 47 0,29 1,14 495,89 Mobil Pribadi 814 60 2,3 1 1441,59

Angkot 15 60 2,1 1 24,26

Taxi 35 60 2,8 1 75,46

Bus Mini 0 60 11,9 1 0,00

Pick Up/box 59 60 2 1 90,86

Mini Truk 2 60 1,55 1 2,39

Bus Besar 3 52 11,9 1,08 29,69

Truk 2 sb 3 52 17,7 1,08 44,16

Truk 3 sb 3 52 17,7 1,08 44,16 Truk Gandeng 0 52 17,7 1,08 0,00

Trailer 0 52 17,7 1,08 0,00


Sehingga, total beban emisi untuk Jalan Embong Malang pada Pukul 05.00-05.30 adalah 2.248,85 gr/30 menit atau 1,25 gr/detik. Tabel 4.6. berikut menunjukkan beban emisi harian pada jalan yang disurvey.

Tabel 4.6. Beban Emisi Harian

Waktu 1 2 3 4 5 Total Rata-rata

05.00-05.30 0,91 1,15 1,26 3,78 2,33 9,44 1,89

05.30-06.00 1,10 1,29 1,24 3,85 2,45 9,93 1,99

06.00-06.30 2,13 1,99 1,32 3,58 2,44 11,46 2,29

06.30-07.00 2,17 2,00 1,25 3,75 2,61 11,78 2,36

60


07.00-07.30 1,64 2,06 1,18 3,58 2,66 11,12 2,22

07.30-08.00 1,59 2,15 1,23 2,69 3,16 10,83 2,17

08.00-08.30 1,75 2,08 1,11 2,64 3,06 10,64 2,13

08.30-09.00 1,65 2,08 1,11 2,37 2,56 9,77 1,95

09.00-09.30 1,69 1,06 1,15 1,61 2,32 7,82 1,56

09.30-10.00 1,67 1,20 1,20 1,56 2,25 7,87 1,57

10.00-10.30 1,67 1,09 1,20 1,66 2,40 8,02 1,60

10.30-11.00 1,68 1,17 1,38 1,76 2,54 8,53 1,71

11.00-11.30 1,67 1,32 1,24 1,79 2,59 8,61 1,72

11.30-12.00 1,69 1,29 1,17 1,85 2,67 8,67 1,73

12.00-12.30 1,66 1,23 1,13 1,74 2,52 8,29 1,66

12.30-13.00 1,70 1,28 1,17 1,63 2,36 8,15 1,63

13.00-13.30 2,03 1,32 1,36 0,34 0,50 5,55 1,11

13.30-14.00 2,08 1,39 1,48 0,38 0,55 5,89 1,18

14.00-14.30 2,46 1,81 1,75 0,41 0,59 7,02 1,40

14.30-15.00 2,48 2,18 1,75 0,41 0,59 7,41 1,48

15.00-15.30 2,77 2,30 1,96 0,44 0,64 8,10 1,62

15.30-16.00 2,90 2,39 2,00 0,57 0,82 8,67 1,73

16.00-16.30 3,05 2,49 1,88 0,43 0,62 8,47 1,69

16.30-17.00 3,01 2,62 1,89 0,38 0,55 8,45 1,69

17.00-17.30 2,66 2,84 2,09 2,42 3,49 13,51 2,70

17.30-18.00 2,36 2,84 1,82 2,08 3,00 12,09 2,42

18.00-18.30 1,93 2,99 1,95 3,13 4,51 14,50 2,90

18.30-19.00 2,09 3,07 1,78 3,17 4,58 14,69 2,94

19.00-19.30 1,85 3,03 1,61 3,67 5,29 15,46 3,09

19.30-20.00 1,57 2,78 1,54 4,01 5,79 15,70 3,14

20.00-20.30 1,10 2,52 1,43 3,93 5,67 14,65 2,93

61


20.30-21.00 1,21 2,25 1,23 3,91 5,64 14,24 2,85

Sumber: Hasil perhitungan *) Keterangan: 1. Jalan Urip Sumoharjo 2. Jalan Pemuda 3. Jalan Embong Malang 4. Jalan Panglima Sudirman 5. Jalan Basuki Rahmat

Berdasarkan gambar 4.13, terlihat bahwa puncak beban emisi adalah pada jam 18.30-20.00 malam. Hal ini konsisten dengan derajat kejenuhan tertinggi, yaitu pada puncak malam di Jalan Panglima Sudirman. Sehingga, dapat terlihat bahwa lalu lintas di Jalan Panglima Sudirman memiliki peran yang besar terhadap beban emisi pada wilayah survey Surabaya Pusat.

Untuk melengkapi data jalan yang disurvey, maka dilakukan prakiraan beban emisi pada jalan arteri sekunder yang tidak disurvey. Beban emisi pada jalan tersebut menggunakan beban emisi rata-rata pada seluruh jalan arteri sekunder yang disurvey.

0,00

0,50

1,00

1,50

2,00

2,50

3,00

3,50

Beb

an

Em

isi

(gr/

det)

Waktu

Gambar 4.13. Fluktuasi Beban Emisi Sumber: Hasil perhitungan

62

Kemudian dibuat faktor harian dengan menggunakan pendekatan karakteristik jalan yang sama (Ha dan Oh, 2014). Faktor harian merepresentasikan volume lalu lintas yang terjadi setiap 30 menit. Faktor ini dianggap merepresentasikan lalu lintas pada waktu tersebut untuk setiap harinya. Berikut adalah contoh perhitungan pembuatan faktor harian.

Rata-rata konsentrasi harian = 2,03 gr/det Rata-rata konsentrasi pada jam 05.00-05.30 = 1,89 gr/det Faktor jam 05.00-05.30 = 1,89 / 2,03 = 0,93 gr/det Tabel 4.7 berikut menunjukkan faktor per 30 menit dari

beban emisi untuk masing-masing jalan. Tabel 4.7. Faktor Harian

Waktu Faktor Waktu Faktor Waktu Faktor

05.00-05.30 0,98 10.30-11.00 0,89 16.00-16.30 0,88

05.30-06.00 1,03 11.00-11.30 0,89 16.30-17.00 0,88

06.00-06.30 1,18 11.30-12.00 0,89 17.00-17.30 1,38

06.30-07.00 1,21 12.00-12.30 0,86 17.30-18.00 1,22

07.00-07.30 1,13 12.30-13.00 0,84 18.00-18.30 1,46

07.30-08.00 1,09 13.00-13.30 0,59 18.30-19.00 1,47

08.00-08.30 1,07 13.30-14.00 0,63 19.00-19.30 1,54

08.30-09.00 0,99 14.00-14.30 0,74 19.30-20.00 1,57

09.00-09.30 0,81 14.30-15.00 0,77 20.00-20.30 1,46

09.30-10.00 0,82 15.00-15.30 0,85 20.30-21.00 1,42

10.00-10.30 0,83 15.30-16.00 0,91


Faktor harian berdasarkan data jalan yang disurvey baru mencakup 16 jam pemantauan. Sehingga, untuk mencakup 24 jam pemantauan, dibuat ekstrapolasi data beban emisi lalu lintas. Ekstrapolasi data menggunakan pendekatan sesuai dengan tren dan faktor yang ada. Asumsi yang digunakan adalah beban emisi terendah ada pada jam 00.00-01.00. Gambar 4.9 dan tabel 4.6 berikut menunjukkan hasil ekstrapolasi data beban emisi.

63

Tabel 4.8. Hasil Ekstrapolasi Data

Waktu Faktor Waktu Faktor Waktu Faktor

00.30-01.00 0,59 03.00-03.30 0,83 21.30-22.00 1,18

01.00-01.30 0,63 03.30-04.00 0,84 22.00-22.30 0,98

01.30-02.00 0,74 04.00-04.30 0,89 22.30-23.00 0,89

02.00-02.30 0,77 04.30-05.00 0,98 23.00-23.30 0,77

02.30-03.00 0,82 21.00-21.30 1,22 23.30-00.00 0,59

Selain faktor harian, data juga dikonversi menjadi data mingguan. Faktor mingguan merepresentasikan jumlah volume lalu lintas selama satu hari. Sehingga, akan terbentuk data beban emisi setiap harinya selama seminggu. Hal ini dapat meningkatkan akurasi faktor harian yang digunakan (Ha dan Oh, 2014). Acuan data yang digunakan untuk pembuatan faktor mingguan adalah penelitian Utomo (2016) terkait volume lalu lintas harian di beberapa ruas jalan di Surabaya. Hasil penelitian yang diambil adalah pada Jalan Dupak, dikarenakan Jalan Dupak termasuk jalan arteri sekunder yang berlokasi di Surabaya Pusat.

Gambar 4.14. Grafik Hasil Ekstrapolasi Data Sumber: Hasil perhitungan

0

0,2

0,4

0,6

0,8

1

1,2

1,4

1,6

1,8

00

.30-0

1.0

0

01

.30-0

2.0

0

02

.30-0

3.0

0

03

.30-0

4.0

0

04

.30-0

5.0

0

05

.30-0

6.0

0

06

.30-0

7.0

0

07

.30-0

8.0

0

08

.30-0

9.0

0

09

.30-1

0.0

0

10

.30-1

1.0

0

11

.30-1

2.0

0

12

.30-1

3.0

0

13

.30-1

4.0

0

14

.30-1

5.0

0

15

.30-1

6.0

0

16

.30-1

7.0

0

17

.30-1

8.0

0

18

.30-1

9.0

0

19

.30-2

0.0

0

20

.30-2

1.0

0

21

.30-2

2.0

0

22

.30-2

3.0

0

23

.30-0

0.0

0

Fakto

r H

ari

an

Waktu

64

Berikut adalah data hasil survey dan faktor mingguan yang dibuat berdasarkan rata-rata harian.

Tabel 4.9. Faktor Mingguan

Hari LHR Faktor Harian

Senin 14085 0,988

Selasa 14356 1,007

Rabu 14008 0,983

Kamis 14645 1,028

Jumat 13670 0,959

Sabtu 15327 1,075

Minggu 13670 0,959

Sumber: Utomo, 2016 dan Hasil perhitungan

Berdasarkan kedua faktor di atas, maka didapatkan faktor beban emisi total untuk masing-masing waktu. Sehingga, data yang didapatkan bisa digunakan untuk menjalankan model selama 7 hari. Tabel 4.10 adalah contoh untuk faktor hari Minggu selama 24 jam. Sedangkan hasil perhitungan keseluruhan terlampir pada lampiran. Berikut adalah contoh perhitungan faktor beban emisi total untuk hari Minggu pukul 00.30-01.00.

Faktor jam 00.30-01.00 = 0,59 Faktor hari Minggu = 0,959 Faktor total = 0,59 x 0,959 = 0,565 Tabel 4.10. Faktor Total Hari Minggu

Waktu Faktor Harian Faktor Mingguan

Faktor Total

00.30-01.00 0,59 0,959 0,566

01.00-01.30 0,63 0,959 0,604

01.30-02.00 0,74 0,959 0,710

02.00-02.30 0,77 0,959 0,738

02.30-03.00 0,82 0,959 0,786

03.00-03.30 0,83 0,959 0,796

65

03.30-04.00 0,84 0,959 0,806

04.00-04.30 0,89 0,959 0,854

04.30-05.00 0,98 0,959 0,940

05.00-05.30 0,98 0,959 0,940

05.30-06.00 1,03 0,959 0,985

06.00-06.30 1,18 0,959 1,131

06.30-07.00 1,21 0,959 1,160

07.00-07.30 1,13 0,959 1,084

07.30-08.00 1,09 0,959 1,046

08.00-08.30 1,07 0,959 1,029

08.30-09.00 0,99 0,959 0,945

09.00-09.30 0,81 0,959 0,781

09.30-10.00 0,82 0,959 0,783

10.00-10.30 0,83 0,959 0,801

10.30-11.00 0,89 0,959 0,853

11.00-11.30 0,89 0,959 0,853

11.30-12.00 0,89 0,959 0,858

12.00-12.30 0,86 0,959 0,821

12.30-13.00 0,84 0,959 0,808

13.00-13.30 0,59 0,959 0,567

13.30-14.00 0,63 0,959 0,601

14.00-14.30 0,74 0,959 0,712

14.30-15.00 0,77 0,959 0,740

15.00-15.30 0,85 0,959 0,814

15.30-16.00 0,91 0,959 0,869

16.00-16.30 0,88 0,959 0,846

16.30-17.00 0,88 0,959 0,841

17.00-17.30 1,38 0,959 1,322

66

17.30-18.00 1,22 0,959 1,173

18.00-18.30 1,46 0,959 1,398

18.30-19.00 1,47 0,959 1,412

19.00-19.30 1,54 0,959 1,479

19.30-20.00 1,57 0,959 1,503

20.00-20.30 1,46 0,959 1,399

20.30-21.00 1,42 0,959 1,363

21.00-21.30 1,22 0,959 1,170

21.30-22.00 1,18 0,959 1,132

22.00-22.30 0,98 0,959 0,940

22.30-23.00 0,89 0,959 0,854

23.00-23.30 0,77 0,959 0,738

23.30-00.00 0,59 0,959 0,566

4.4. Aplikasi Model Gauss Termodifikasi Terhadap Reseptor Tertentu

Aplikasi model terhadap suatu reseptor dilakukan untuk melakukan pengujian performa model terhadap suatu kondisi. Pengujian performa model dilakukan untuk mengetahui kesesuaian aplikasi model untuk dispersi pencemar dari sumber garis, khususnya di wilayah Surabaya Pusat. Perbandingan performa model adalah dengan data yang tercatat pada stasiun pemantau kualitas udara. Reseptor tertentu yang dijadikan acuan adalah SUF-1. Data yang dijadikan acuan meliputi data konsentrasi NO2 dan data meteorologi lokal.

4.4.1. Perhitungan dengan Matlab

Untuk mempermudah perhitungan model, maka digunakan piranti lunak matrix laboratory (Matlab). Perhitungan dengan Matlab menggunakan script khusus sesuai dengan kebutuhan pengolahan data. Parameter model yang dimasukkan terdapat pada tabel 4.11.

67

Tabel 4.11. Parameter Model

No Paramater Symbol Value Unit

1 Dispersion Coeffisien in horizontal

direction Dy 1000 m2/s

2 Dispersion Coeffisien in vertical (z)

direction Dz 1000 m2/s

3 Ambient Temperature T0 30 C

Model Setting

1 Starting Date, time 02/09/2017 00:30

2 Interval of Analysis 0,5 hour

3 Grid Number 300 n x n

Determine of Modelling Area

1 Lowest Lattitude; min_x 112,697 0 (E)

2 Highest Lattitute; max_x 112,789 0 (E)

3 Lowest Longitude; min_y -7,307 0 (S)

4 Highest Longitude; max_y -7,217 0 (S)

5 City Surabaya

6 Insert Administrative Map

Input Data For Model

1 Source Height He 0,400 m

2 Receptor Height Rec 4,5 m

Parameter tersebut disesuaikan dengan model yang akan

digunakan terhadap daerah yang spesifik. Parameter ini dapat disesuaikan dengan kebutuhan permodelan. Pada permodelan tahap pertama ini, model dilakukan untuk wilayah Surabaya Pusat saja sebagai pusat persebaran pencemar. Selain memasukkan parameter yang diperlukan, dimasukkan juga peta wilayah Surabaya Pusat. Peta wilayah ini akan menjadi peta dasar untuk penempatan sumber emisi.

Setelah memasukkan parameter yang diperlukan ke dalam dokumen microsoft excel dan membuat peta wilayah Surabaya

68

Gambar 4.15. Contoh Hasil Pemetaan Model Awal Sumber: Hasil perhitungan

Pusat, selanjutnya adalah menyusun script Matlab. Urutan Script Matlab menyesuaikan dengan urutan pengerjaan model. Script Matlab yang digunakan terbagi atas dua file, yaitu terkait dengan rumus perhitungan dan terkait masukan data dan analisis. Script lengkap terlampir pada lampiran 4.

Gambar 4.16 berikut menunjukkan contoh hasil running script pertama. Running perhitungan dilakukan melalui script analisis data, dimana pada script ini semua parameter dimasukkan, termasuk parameter yang berubah sesuai dengan seri data. Parameter yang dimaksud antara lain faktor beban emisi, kinetika reaksi arah, dan kecepatan angin. Selain itu juga dimasukkan data pembanding, yaitu data kualitas udara dari SUF-1. Keluaran dari script ini adalah hasil analisis korelasi dan RMSE antara model dan data SUF-1. Contoh keluaran script ini adalah gambar 4.17.

69

4.4.2. Hasil dan Analisis Perhitungan

Perhitungan model dengan Matlab dilakukan untuk beberapa kondisi. Hal ini bertujuan sebagai perbandingan performa model untuk memodelkan dispersi pencemar udara dari sumber lalu lintas di Surabaya Pusat. Variasi kondisi yang digunakan adalah variasi musim, yaitu kemarau dan penghujan. Hal ini disebabkan terdapat perbedaan parameter pada kedua musim ini, antara lain kecepatan dan arah angin dan kinetika reaksi. Kondisi pertama adalah running script dengan parameter musim kemarau. Gambar 4.17 menunjukkan hasil korelasi dan RMSE dari running script ini.

70

Gambar 4.16. Hasil running script Musim Kemarau Sumber: Hasil perhitungan

71

Gambar 4.17 menggambarkan hasil model yang fluktuatif dan memiliki konsentrasi yang cukup jauh dibandingkan dengan data pengukuran di SUF-1. Banyak kondisi dalam seri data yang menunjukkan lonjakan konsentrasi model. Hal ini dapat disebabkan karena arah angin yang langsung menuju ke SUF-1 dengan kecepatan angin yang tinggi dan nilai beban emisi yang tinggi. Dikarenakan jarak SUF-1 tidak jauh dari sumber emisi, maka konsentrasi model pada titik SUF-1 bernilai sangat besar.

Namun, lonjakan konsentrasi model yang terjadi bersifat ekstrem, yaitu dapat mencapai nilai 1.200 µg/m3. Perbedaan yang muncul terlalu jauh jika dibandingkan dengan konsentrasi yang tercatat pada SUF-1. Fenomena ini hampir tidak mungkin terjadi pada kondisi rata-rata harian. Hal ini disebabkan pada waktu yang singkat, pencemar akan langsung terdispersi, tidak terakumulasi pada satu titik sesuai dengan stabilitas atmosfer. Hal ini belum dipertimbangkan dalam penyusunan model. Sehingga, diperlukan kalibrasi untuk menormalisasi nilai konsentrasi model.

Parameter statistik sebagai ukuran performa model adalah nilai korelasi dan nilai RMSE. Nilai korelasi yang dihasilkan adalah 0,26145. Hal ini berarti bahwa data yang tercatat dengan model memiliki hubungan sebesar 26,14%. Sedangkan nilai RMSE model sebesar 181,96. Untuk memastikan bahwa verifikasi yang dilakukan lebih akurat, maka beberapa data hasil permodelan dieliminasi.

Data yang dieliminasi merupakan data model saat kondisi arah angin menjauhi SUF-1, yaitu pada rentang 225o-270o. Setelah itu, data kembali dieliminasi berdasarkan standar deviasi dari selisih antara data model dengan data SUF-1. Hal ini bertujuan untuk memperbaiki perhitungan nilai RMSE model. Dengan demikian, total data yang digunakan adalah 114 data. Banyaknya data yang dieliminasi dikarenakan mayoritas data arah angin tidak menuju SUF-1. Dengan demikian, maka nilai korelasi dan RMSE sudah terkoreksi dengan menggunakan data yang lebih akurat. Setelah data dieliminasi, nilai korelasi naik menjadi 0,35 dan nilai RMSE turun menjadi 95,16.

Berdasarkan Kusminingrum dan Gunawan (2008), aktivitas lalu lintas berkontribusi 70 % terhadap pencemaran udara di perkotaan. Sedangkan, target nilai korelasi berdasarkan US EPA,

72

yaitu 0,572, digunakan untuk model dengan banyak sumber pencemar. Sehingga, target korelasi dibobotkan sesuai dengan kontribusi pencemar, yaitu 0,4004. Dengan nilai korelasi permodelan sebesar 0,35, hasil permodelan sudah berkorelasi dekat dengan hasil data lapangan. Sedangkan nilai RMSE juga sudah lebih baik dengan mengecilnya deviasi data.

Faktor yang masih mempengaruhi tingkat error pada model ini adalah belum memperhitungkan besar serapan tumbuhan pada ruang terbuka hijau terhadap parameter NOx. Penelitian oleh Nasrullah et al. (2000) menunjukkan bahwa serapan gas NO2 oleh tanaman berkisar antara 0,28-68,31 µg/g, semak 1,97-100,02 µg/g, dan tanaman penutup tanah antara 2,38-24,06 µg/g. Selain itu juga pada penelitian ini belum mempertimbangkan barrier yang ada di wilayah Surabaya Pusat, yaitu gedung-gedung tinggi yang memunculkan fenomena street canyon.

73

Gambar 4. 17. Hasil running script musim hujan Sumber: Hasil perhitungan

74

Selanjutnya adalah running script untuk kondisi musim

penghujan. Hasil running script tersebut terdapat pada gambar 4.18. Secara umum, masih terjadi lonjakan data pada beberapa seri data, namun jumlah lonjakannya tidak sebanyak script musim kemarau. Hal ini bisa dipengaruhi oleh frekuensi arah dan kecepatan angin yang menuju ke SUF-1 yang tidak sebanyak pada musim kemarau. Lonjakan konsentrasi yang terjadi juga masih bersifat ekstrem, dengan konsentrasi mencapai 6.000 µg/m3.

Namun, berdasarkan indikator performa model, performa model pada musim hujan bernilai lebih rendah dibandingkan performa pada musim kemarau. Pada musim penghujan, nilai korelasi data hanya sebesar 0,047, jauh lebih rendah daripada model pada musim kemarau. Nilai RMSE pun jauh lebih tinggi, mencapai 648,49. Untuk meningkatkan akurasi perhitungan statistik, maka dilakukan eliminasi data dengan metode yang sama seperti data untuk musim kemarau. Sehingga, data yang digunakan sebanyak 255 data dengan arah angin menuju SUF-1 dan tidak outlier.

Dengan demikian, nilai korelasi yang diperoleh adalah 0,051 dengan nilai RMSE 237,19. Nilai ini masih jauh dari target korelasi terbobotkan (0,4004). Namun, nilai RMSE sudah jauh menurun. Hal ini menunjukkan bahwa performa model belum memuaskan ketika musim hujan.

Selain karena faktor serapan polutan oleh ruang terbuka hijau, kecilnya nilai akurasi ini dapat disebabkan oleh adanya faktor yang belum dimasukkan ke dalam model, yaitu faktor flushing oleh hujan. Penelitian yang dilakukan oleh Sudalma et al (2015) di Kota Semarang menunjukkan bahwa NO2 dari aktivitas transportasi menyebabkan 27,1% kandungan nitrat dalam air hujan. Sehingga, faktor flushing adalah salah satu pertimbangan dalam upaya kalibrasi model.

Secara umum, performa model belum cukup baik untuk digunakan secara spesifik untuk sumber emisi dari aktivitas transportasi di wilayah Surabaya Pusat. Sehingga, masing-masing model memerlukan kalibrasi lebih lanjut. Kalibrasi nantinya bertujuan untuk meningkatkan nilai korelasi dan menurunkan nilai RMSE. Kalibrasi yang digunakan dapat

75

menggunakan faktor ruang terbuka hijau, faktor flushing hujan, dan faktor street canyon yang dipengaruhi oleh banyaknya gedung tinggi di wilayah tersebut.

4.5. Analisis Perubahan Kualitas Udara Ambien Akibat Aktivitas Lalu Lintas

4.5.1. Penentuan Skenario Perubahan Kualitas Udara Ambien

Skenario perubahan kualitas udara ditentukan berdasarkan beberapa faktor yang dapat mempengaruhi dispersi pencemar udara non-konservatif. Faktor tersebut antara lain arah dan kecepatan angin (Vallero, 2008). Arah dan kecepatan angin bervariasi tergantung musim. Sehingga, skenario ini juga mencakup perbedaan musim yang terdapat di Indonesia, yaitu musim kemarau dan musim hujan.

Selain karena faktor dispersi pencemar, skenario ini juga dibuat berdasarkan kinetika reaksi pencemar non-konservatif NO2. Kinetika reaksi ini juga bervariasi terhadap musim kemarau dan musim hujan (Assomadi, 2016). Sehingga, disusun skenario berdasarkan beberapa aspek ini.

Skenario dibuat atas beberapa ketetapan, antara lain: 1. Skenario dibuat untuk kondisi pencemaran terburuk, yaitu

saat emisi terburuk. Kondisi ini terjadi saat jam puncak lalu lintas pada malam hari. Faktor yang digunakan adalah 1,685 dari total beban emisi yang ada.

2. Kinetika reaksi yang digunakan menyesuaikan dengan waktu dengan kondisi beban pencemar terburuk. Kinetika reaksi yang digunakan adalah 1,098 untuk musim kemarau, dan 0,5522 untuk musim hujan.

Tabel 4.12 menunjukkan matriks skenario perubahan kualitas udara ambien berdasarkan musim dan kecepatan angin. Kecepatan angin diklasifikasikan berdasarkan skala Beaufort. Kecepatan angin rendah (1) ditentukan berdasarkan skala Beaufort 3. Sedangkan kecepatan angin tinggi (3) ditentukan berdasarkan skala Beaufort 5. Tabel 4.13 menunjukkan arah dan kecepatan angin yang digunakan pada masing-masing skenario.

76

Tabel 4.12. Matriks Skenario Perubahan Kualitas Udara

Musim Kecepatan Angin

Rendah (1) Sedang (2) Tinggi (3)

Kemarau (K) K1 K2 K3

Penghujan (H) H1 H2 H3

Tabel 4.13. Skenario Arah dan Kecepatan Angin

Arah

Kecepatan Angin (m/det)

Kemarau Hujan

1 2 3 1 2 3

Utara (0) 2,50 4,50 8,00 3,00 4,91 6,90

Timur Laut (45) 3,00 4,80 7,23 2,83 5,00 6,95

Timur (90) 2,89 4,86 7,10 3,00 4,77 7,14

Tenggara (135) 2,78 4,93 7,03 3,00 4,80 7,05

Selatan (180) 3,00 5,00 6,43 2,56 4,94 6,69

Barat Daya (225) 2,92 4,92 5,69 2,92 4,97 6,46

Barat (270) 2,90 4,99 6,58 2,84 4,97 6,83

Barat Laut (315) 2,75 5,00 6,80 2,82 4,95 6,88


4.5.2. Perubahan Kualitas Udara Ambien

Perubahan kualitas udara akibat emisi aktivitas transportasi di wilayah Surabaya Pusat terjadi atas 6 skenario yang berbeda. Sebagai langkah awal, konsentrasi pencemar berdasarkan masing-masing skenario dihitung pada titik reseptor tertentu, Titik reseptor yang ditetapkan adalah SUF-1. Hasil perhitungan ini akan dijadikan acuan dalam penentuan perubahan kualitas udara ambien terburuk pada musim terpilih. Tabel 4.14 dan 4.15 berturut-turut menunjukkan data konsentrasi pencemar di SUF-1 pada musim kemarau dan hujan,

77

Tabel 4.14. Konsentrasi Pencemar pada Musim Kemarau

Arah Konsentrasi di SUF-1 (µg/m3)

K1 K2 K3

Utara (0) 1980,32 4141,98 5252,31

Timur Laut (45) 3161,82 6805,3 7993,71

Timur (90) 2459,18 5408,08 6997,59

Tenggara (135) 106,575 263,49 346,283

Selatan (180) 4,60E-06 2,15E-05 4,59E-05

Barat Daya (225) 0 0 0

Barat (270) 0 0 0

Barat Laut (315) 736,93 1733,66 2343,85

Rata-rata 1055,6 2294,064 2866,718

Tabel 4. 15. Konsentrasi Pencemar pada Musim Hujan

Arah Konsentrasi di SUF-1 (µg/m3)

H1 H2 H3

Utara (0) 1521,02 4082.,95 5375,44

Timur Laut (45) 3179,93 6905,77 8858,59

Timur (90) 2358,12 5395,4 5395,4

Tenggara (135) 113,273 259,74 348,12

Selatan (180) 1,41E-05 3,65E-05 5,51E-05

Barat Daya (225) 0 0 0

Barat (270) 0 0 0

Barat Laut (315) 840,78 1677,77 2346,06

Rata-rata 1001,64 2034,097 2790,451

Berdasarkan hasil permodelan, didapatkan bahwa

perubahan kualitas udara ambien terburuk terjadi pada kondisi angin dengan kecepatan tinggi (skala Beaufort 5). Nilai konsentrasi yang tinggi ini disebabkan persebaran pencemar udara meluas, sehingga persebaran konsentrasinya pun meluas.

78

Hal ini sesuai dengan profil konsentrasi pencemar terhadap jarak dan kecepatan angin. Perbedaan nilai konsentrasi pada musim kemarau dan hujan disebabkan oleh perbedaan kecepatan angin pada kedua musim. Pada semua skenario yang ada, kecenderungannya adalah konsentrasi NO2 model pada reseptor SUF-1 meningkat seiring dengan meningkatnya kecepatan angin dan perubahan arah angin yang menuju ke SUF-1. Hal ini dibuktikan bahwa konsentrasi pencemar tertinggi terjadi ketika arah angin mengarah dari arah 45o menuju arah 225o, yaitu langsung menuju SUF-1.

Secara teoritis, model ini sudah memenuhi teori terkait dengan model dispersi pencemar udara. Namun, angka konsentrasi yang diperoleh terlampau tinggi dibandingkan dengan konsentrasi NOx pada umumnya. Hal ini sudah dibahas dalam sub bab verifikasi model, dimana diperlukan kalibrasi lebih lanjut untuk meningkatkan performa model.

Berdasarkan skenario tersebut, maka perubahan kualitas udara ambien terburuk terjadi ketika kecepatan angin berada dalam skala Beaufort nomor 5 pada musim kemarau dan musim penghujan. Kondisi perubahan kualitas udara ambien terburuk ini membutuhkan analisis lanjutan terkait dengan wilayah-wilayah yang terkena dampaknya. Analisis ini dapat dilakukan dengan melakukan overlay kontur persebaran pencemar ke delapan arah mata angin.

Overlay gambar bertujuan untuk menentukan wilayah terkena dampak pencemaran NOx yang melebihi baku mutu. Baku mutu yang diacu adalah Peraturan Gubernur Jatim No. 10 Tahun 2009, yaitu 92,5 µg/m3. Overlay dilakukan menggunakan piranti lunak Matlab dengan script terlampir. Gambar 4.21 dan 4.22 berikut menunjukkan kontur persebaran pencemar NOx dari aktivitas lalu lintas di wilayah Surabaya Pusat terhadap kondisi kualitas udara ambien di wilayah Surabaya.

79

Gambar 4.18. Hasil Overlay Kota Surabaya pada Skenario K3 (Tanpa skala)

80

Gambar 4. 20. Hasil overlay Skenario H3 (Tanpa skala)

Gambar 4.19. Hasil overlay Kota Surabaya Skenario H3 (Tanpa skala)

81

Pada kedua gambar overlay tersebut, tergambarkan dispersi

pencemar udara NOx dari aktivitas lalu lintas di wilayah Surabaya Pusat dengan representasi kontur berwarna hitam. Kontur berwarna hitam menggambarkan bahwa wilayah tersebut terdampak pencemaran oleh NOx dengan konsentrasi melebihi baku mutu. Kontur ini merepresentasikan persebaran pencemar NOx ke delapan arah mata angin. Secara umum, visualisasi kontur pada kedua musim mirip. Hal ini dikarenakan kemiripan karakteristik skenario yang digunakan pada kedua musim. Namun, resolusi peta yang dihasilkan masih buruk, sehingga perlu diperbaiki dengan memasukkan peta dengan resolusi yang lebih baik dan menjalankan script tertentu yang menjaga kualitas gambar peta yang dihasilkan dari Matlab.

Berdasarkan pendekatan perhitungan radius sebaran dengan menggunakan piranti lunak Autocad, maka radius sebaran pencemar NOx pada kedua musim saat kondisi terburuk adalah 4,2-4,4 km dari episentrum sebaran. Sehingga, hampir seluruh kelurahan pada wilayah Surabaya Pusat terkena dampak dari aktivitas lalu lintas yang terjadi. Selain itu, sedikit wilayah pada Surabaya Utara juga terdampak, seperti wilayah Perak. Sehingga, nantinya wilayah ini yang perlu mendapatkan perhatian khusus terkait dengan pencemaran udara akibat aktivitas lalu lintas di wilayah Surabaya Pusat.

Hasil overlay sudah dapat merepresentasikan hasil permodelan dispersi pencemar udara di wilayah perkotaan. Hal ini terlihat dari visualisasi persebaran yang dihasilkan. Sehingga, analisis lanjutan terkait pengendalian pencemaran udara secara komprehensif dapat dilakukan. Namun, resolusi gambar keluaran analisis Matlab harus ditingkatkan, sehingga peta yang dihasilkan lebih akurat dan lebih mudah dianalisis.

82


83

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Kesimpulan dari penelitian ini antara lain: 1. Model persebaran emisi dari sumber lalu lintas di wilayah

Surabaya Pusat dapat menggunakan model Gauss termodifikasi. Modifikasi yang digunakan adalah penambahan faktor kinetika reaksi NO2. Korelasi model pada musim kemarau dan hujan berturut-turut adalah 0,35 dan 0,051. Sedangkan nilai RMSE pada musim kemarau dan hujan berturut-turut adalah 95,16 dan 237,19.

2. Perubahan kualitas udara ambien akibat aktivitas lalu lintas di wilayah Surabaya Pusat terjadi akibat beberapa hal, seperti beban emisi yang tinggi, arah, dan kecepatan angin. Perubahan kualitas udara ambien terburuk terjadi dalam kondisi musim kemarau dengan kecepatan angin 5,5-8 m/det. Radius sebaran pencemar adalah 4,2-4,4 km.

5.2. Saran

Saran untuk penelitian lanjutan adalah: 1. Perlunya ada kalibrasi model lanjutan, sehingga model

dapat digunakan secara spesifik untuk sumber emisi dari transportasi pada wilayah Surabaya Pusat. Kalibrasi model dapat dilakukan dengan penambahan koefisien dan variabel tertentu yang mewaikili kondisi sebenarnya di lapangan.

2. Melakukan perbaikan resolusi dan kualitas peta hasil overlay untuk mempermudah analisis. Selain itu, mengintegrasikan script pembuatan overlay peta pada piranti Matlab.

3. Memasukkan faktor serapan pencemar oleh ruang terbuka hijau, flushing hujan, dan fenomena street

84

canyon sebagai faktor yang mempengaruhi dispersi pencemar udara.

4. Melaksanakan pengembangan piranti lunak yang lebih sederhana. Hal ini bertujuan agar model bisa digunakan secara lebih luas oleh masyarakat.

85

DAFTAR PUSTAKA Aleksic, N., Kent, J., dan Walcek, C. 2016. "Ozone concentrations

in air flowing into New York State." Atmospheric Environment 141, 454-461.

Antanasijević, D., Pocajt, V., Perić-Grujić, A., dan Ristić, M. 2017. "Multiple-input-multiple-output general regression neural networks model for the simultaneous estimation of traffic-related air pollutant emissions." Atmospheric Pollution Research, https://doi.org/10.1016.j.apr.2017.10.011.

Assomadi, A.F. 2016. Pendekatan Baru Model Distribusi Pencemar di Atmosfer Perkotaan. Disertasi, Jurusan Teknik Lingkungan ITS.

Assomadi, A.F., Widodo, B., dan Hermana, J. 2016. "The kinetic approach of NOx photoreaction related to ground measurement of solar radiation in estimates of surface ozone concentration." International Journal of ChemTech Research 9, 182-190.

Badan Pusat Statistik. 2017. Kota Surabaya dalam Angka 2017. BPS Kota Surabaya.

Biancofiore, F., Verdecchia, M., Carlo, PD., Tomassetti, B., Aruffo, E., Busilacchio, M., Bianco, S., Tommaso, SD., Colangeli, C. 2015. "Analysis of surface ozone using a recurrent neural network." Science of the Total Environment, 514, 379-387.

Chai, T. dan Draxler, R.R. 2014. “Root mean square error (RMSE) or mean absolute error (MAE) – Arguments against avoiding RMSE in the literature.” Geoscientific Model Development 7, 1247-1250.

Chen, X., Liu, Y., Lai, A., Han, S., Fan, Q., Wang, X., Ling, Z., Huang, F., dan Fan, S. 2018. "Factors dominating 3-dimensional ozone distribution during high tropospheric ozone period." Environmental Pollution 232, 55-64.

Constantya, Q. 2017. Studi Pola Konsentrasi Kualitas Udara Ambien Kota Surabaya (Parameter : NO, NO2, O3). Tugas Akhir, Departemen Teknik Lingkungan ITS.

De Visscher, A. 2014. Air Dispersion Modeling. New Jersey : Wiley.

86

Dogluparmak, SC dan Ozbay, B. 2011. “Investigating Correlations and Variations of Air Pollutant Concentrations under Conditions of Rapid Industrializations.” Clean-Soil, Air, Water 39, 597-604.

Gao, W., Tie, X., Xu, J., Huang, R., Mao, X., Zhou, G., dan Chang, L. 2017. "Long term trend of O3 in a mega city (Shanghai), China : Characteristics, causes, and interaction with precursors." Science of Total Environment 603-604, 425-433.

Ha, JA, dan Oh, JS. 2014. “Estimating Annual Average Daily Traffic using Daily Adjustment Factor.” Journal of Emerging Trends in Computing and Information Sciences 5, 7, 580-587.

Handayani, D., Soelistijadi, R., dan Sunardi. 2005. “Pemanfaatan analisis spasial untuk pengolahan data spasial sistem informasi geografi.” Jurnal Teknologi Informasi DINAMIK 10, 108-116.

Haryanto, B. 2008. "Pengaruh pemilihan kondisi batas, langkah ruang, langkah waktu, dan koefisien difusi pada model difusi." Aplika 8, 1-7.

Hatzopoulou, M. dan Miller, E.J. 2010. "Linking an activity-based travel demand model with traffic emission and dispersion models: Transport's contribution to air pollution in Toronto." Transportation Research 15, 315-325.

Holnicki, P., Kaluszko, A., dan Trapp, W. 2015. "An urban scale application and validation of the Calpuff model." Atmospheric Pollution Research, 1-10.

Holzbecher, E. 2012. Environmental Modeling Using Matlab. Berlin : Springer.

Kampa, M. dan Castanas, E. 2008. "Human health effects of air pollution." Environmental Pollution 151, 362-367.

Kementerian Lingkungan Hidup. 2010. Peraturan Menteri Lingkungan No. 12 tahun 2010 tentang Pelaksanaan Pengendalian Pencemaran Udara di Daerah. Kementerian Lingkungan Hidup, Jakarta.

Kementerian Lingkungan Hidup dan Kehutanan. 2015. Indeks Kualitas Lingkungan Hidup Indonesia Tahun 2014. Jakarta : Kementerian Lingkungan Hidup dan Kehutanan.

87

Kementerian Pekerjaan Umum. 2014. Pedoman Kapasitas Jalan Indonesia. Jakarta : Kementerian Pekerjaan Umum.

Kusminingrum, N. dan Gunawan, G. 2008. "Polusi udara akibat aktivitas kendaraan bermotor di jalan perkotaan pulau Jawa dan Bali." Jurnal Jalan-Jembatan 3, 25-30.

Landolsi, J., Rehimi, F., dan Kalboussi, A. 2017. "Urban traffic and induced air quality modeling and simulation : Methodology and illustrative example." Urban Climate 21, 154-172.

Macdonald, R. 2003. Theory and Objectives of Air Dispersion Modelling, Wind Engineering.

Matthew, TV. 2014. Transportation System Engineering. Bombay : IIT.

Ministry of the Environment. 2004. Good Practice Guide for Atmospheric Dispersion Modelling. Wellington : Ministry for the Environment.

Omasa K., Tobe K., Kondo T. (2002) Absorption of Organic and Inorganic Air Pollutants by Plants. In: Omasa K., Saji H., Youssefian S., Kondo N. (eds) Air Pollution and Plant Biotechnology. Springer: Tokyo.

Pemerintah Provinsi Jawa Timur. 2009. Peraturan Gubernur Jawa Timur No. 10 Tahun 2009 tentang Baku Mutu Udara Ambien dan Emisi Sumber Tidak Bergerak di Jawa Timur. Pemerintah Provinsi Jawa Timur.

Republik Indonesia. 1999. Peraturan Pemerintah Nomor 41 Tahun 1999 tentang Pengendalian Pencemaran Udara. Sekretariat Negara, Jakarta.

Republik Indonesia. 2004. Undang-undang Nomor 38 Tahun 2004 tentang Jalan Raya. Sekretariat Negara, Jakarta.

Santoso, E.B., Kusuma, S.H., dan Siswanto, V.K. 2016. "Air space modeling for living arrangement in Surabaya." Procedia Social and Behavioral Science. CITIES 2015.

[SARPEDAL KLH] Sarana Pengendalian Dampak Lingkungan Kementerian Lingkungan Hidup. 2003. Air Quality Monitoring 2003. Jakarta : KLH.

Siregar, E.B. 2005. "Pencemaran udara, respon tanaman, dan pengaruhnya pada manusia." e-USU Repository.

Soedomo, M. 2001. Pencemaran Udara. Bandung : ITB Press.

88

Sportisse, B. 2010. Fundamentals in Air Pollution. New York : Wiley.

Sun, C., Luo, Y., dan Li, J. 2018. "Urban traffic infrastructure investment and air pollution : Evidence from the 83 cities in China." Journal of Cleaner Production 172, 488-496.

Sudalma, S., Purwanto, P., dan Santoso, L.W. 2015. “The effect of SO2 and NO2 from Transportation and Stationary Emissions Source to SO4

2- and NO3- in Rain Water in

Semarang.” Procedia Environmental Sciences. ICTCRED 2014.

Susanto, C. 2015. Indeks Pencemaran Udara, <URL: http://kotasurabaya.silh.menlh.go.id/indeks-pencemaran-udara-ipu/>

Syafei, AD., Fujiwara, A., dan Zhang, J. 2014. "Spatial and temporal factors of air quality in Surabaya City: an analysis based on a multilevel model." Procedia Social and Behavioral Science. ICTTS 2014.

Ukaigwe, SA., dan Osoka, EC. 2013. "Air quality monitoring using model: a review." International Journal of Science and Research 2, 217-221.

Utomo, EB. 2016. “Analisis Kemacetan Lalu Lintas di Kota Surabaya (Studi Kasus Titik Kemacetan di Jalan Ahmad Yani, Jalan Wonokromo, dan Jalan Dupak Surabaya Tahun 2014).” Swara Bumi 3, 3, 20-29.

Vallero, D.A. 2008. Fundamentals of Air Pollution. London: Elsevier.

Wibisana, H., dan Utomo, N. 2016. “Pemetaan Kecepatan dan Kerapatan Lalu Lintas di Ruas Jalan Arteri Kota Surabaya.” Jurnal Teknik Sipil 12, 121-145.

Willmott, CJ., Robeson, SM., dan Matsuura, K. 2012. "A refined index of model performance." International Journal of Climatology 32, 2088-2094.

Yamartino, A. 2008. Air quality modelling - Theories, Methodologies, Computatioinal Techniques, and Available Databases and Software. EnviroComp Institute.

Zhai, X., Russell, A.G., Sampath, P., Mulholland, J.A., Kim, B.U., Kim, Y., dan D'Onofrio, D. 2016. "Calibrating R-LINE model results with observational data to develop annual mobile air

89

source pollutant fields at fine spatial resolution: Application in Atlanta." Atmospheric Environment 147, 446-457.

Zouzelka, R. dan Rathousky, J. 2017. “Photocatalytic Abatement of NOx Pollutants in the Air using Commercial Functional Coating with Porous Morphology.” Applied Catalysis B: Environmental, 466-476.

90


91

LAMPIRAN 1

DATA LALU LINTAS Tabel L.1.1. Koordinat Jalan Penunjang

No. Nama Jalan


Awal Akhir

x y x y

1 Kalianyar 112,7502 -7,2480 112,7469 -7,2483

2 Ngaglik 112,7550 -7,2490 112,7502 -7,2480

3 Kapasari 112,7502 -7,2480 112,7510 -7,2468

112,7510 -7,2468 112,7516 -7,2440

112,7516 -7,2440 112,7529 -7,2408

4 Tembaan 112,7386 -7,2473 112,7343 -7,2465

112,7343 -7,2465 112,7335 -7,2462

5 Dupak 112,7335 -7,2462 112,7320 -7,2450

112,7320 -7,2450 112,7312 -7,2456

112,7312 -7,2456 112,7286 -7,2450

112,7286 -7,2450 112,7279 -7,2450

112,7279 -7,2450 112,7265 -7,2452

112,7265 -7,2452 112,7228 -7,2452

6 Gemblongan 112,7370 -7,2558 112,7368 -7,2525

7 Bubutan 112,7342 -7,2556 112,7342 -7,2550

112,7342 -7,2550 112,7364 -7,2485

112,7364 -7,2485 112,7372 -7,2455

112,7372 -7,2455 112,7372 -7,2448

112,7372 -7,2448 112,7369 -7,2437

112,7369 -7,2437 112,7371 -7,2435

8 Diponegoro 112,7269 -7,2750 112,7316 -7,2807

112,7316 -7,2807 112,7360 -7,2896

9 Kapasan 112,7529 -7,2408 112,7445 -7,2384

10 Pahlawan 112,7368 -7,2525 112,7367 -7,2511

112,7367 -7,2511 112,7373 -7,2502

112,7373 -7,2502 112,7383 -7,2483

92

No. Nama Jalan


Awal Akhir

x y x y

112,7383 -7,2483 112,7386 -7,2474

112,7386 -7,2474 112,7386 -7,2469

112,7386 -7,2469 112,7385 -7,2451

11 Kramat Gantung 112,7368 -7,2525 112,7370 -7,2519

112,7370 -7,2519 112,7384 -7,2502

112,7384 -7,2502 112,7389 -7,2491

112,7389 -7,2491 112,7390 -7,2482

112,7390 -7,2482 112,7390 -7,2474

12 Blauran 112,7331 -7,2584 112,7342 -7,2564

112,7342 -7,2564 112,7342 -7,2560

13 Pandegiling 112,7271 7,2741 112,7375 7,2765

112,7375 7,2765 112,7412 7,2775

112,7412 7,2775 112,7432 7,2777

93

Tabel L.1.2. Volume Lalu Lintas Harian

Nama Jalan Volume LHR

2012 2013 2014 2015 2016 2017

Jl. Embong Malang 51288,8 58064 53028,9 57393,05 53153,4 53153,4

Jl. Urip Sumoharjo 89160,7 144684,85 105058 106834,6 112424,2 112424

Jl. Pemuda 58560,1 33673,85 63343,1 48224,05 48392,7 42433,6

Jl. Panglima Sudirman 63610,2 76341,95 75129,7 54274,3 58251,4 76446,2

Jl. Basuki Rahmat 57189,35 66043,4 75452,8 74641,95 63424,7 57257,5

Tabel L.1.3. Proporsi Kendaraan

Jenis Kendaraan Jumlah % Jenis Kendaraan Jumlah %

Motor 490793 70,155% Pickup/Box 7102 1,015%

Mobil Pribadi 196320 28,062% Mini Truk 332 0,047%

Angkot 4925 0,704% Bus Besar 166 0,024%

Taxi 7373 1,054% Truk 2 sb 111 0,016%

Bus Mini 161 0,023% Truk 3sb 32 0,005%

Truk Gandeng 10 0,001% Kend. Tak Bermotor 3669 0,524%

Trailer 4 0,001% Total 699586 100,000%

94

Tabel L.1.4. Derajat Kejenuhan

No

Nama Ruas Asal

Kendaraan

Tujuan Kendara

an

Waktu Punca

k

Derajat Kejenuh

an

1

Jl. Panglima Sudirman

Timur Barat

Pagi 1,286

2 Siang 1,945

3 Sore 2,202

4

Jl. Basuki Rahmat Timur Barat

Pagi 1,085

5 Siang 1,670

6 Sore 1,215

7

Jl. Embong Malang

Jl. Blauran

Pagi 0,303

8 Siang 0,407

9 Sore 0,393

10

Jl. Pemuda Timur Barat

Pagi 0,699

11 Siang 0,524

12 Sore 0,498

13

Jl. Urip Sumoharjo Jl. Darmo TP

Pagi 0,680

14 Siang 0,640

15 Sore 0,760

95

LAMPIRAN 2

DATA KUALITAS UDARA

Tabel L.2.1. Data NO2 pada Tanggal Terpilih Musim Kemarau

Waktu 02-Sep 03-Sep 04-Sep 05-Sep 06-Sep 07-Sep 08-Sep

00:30 52,29 40,75 27,71 39,00 16,64 9,02 7,82

01:00 35,81 38,09 30,96 41,08 20,04 8,68 6,78

01:30 21,54 40,00 31,99 45,14 21,68 8,05 6,38

02:00 19,99 40,72 41,61 40,54 18,80 8,18 5,34

02:30 25,82 40,45 43,79 42,65 24,32 7,68 5,15

03:00 56,91 39,68 44,78 43,18 53,74 7,52 4,76

03:30 51,34 33,95 48,38 42,72 44,40 7,24 4,50

04:00 50,31 39,20 46,15 42,49 42,61 7,21 4,03

04:30 46,97 44,53 44,21 44,84 43,94 8,13 3,87

05:00 46,40 44,13 42,63 41,24 43,02 13,49 4,88

05:30 47,60 50,95 42,75 40,33 45,07 17,56 5,94

06:00 43,37 54,82 42,11 41,27 48,36 18,92 6,52

06:30 36,85 53,49 47,17 45,31 51,03 19,05 9,84

07:00 38,52 53,30 55,96 59,88 60,68 21,32 16,70

07:30 41,64 67,07 68,60 80,57 80,04 26,70 21,84

08:00 50,23 80,09 88,49 76,23 72,68 32,56 25,11

08:30 41,60 55,91 61,18 44,53 48,24 33,03 27,02

09:00 31,30 30,49 51,50 24,96 25,40 33,21 23,34

09:30 23,26 19,07 36,44 25,24 16,03 29,39 19,22

10:00 19,86 16,62 23,01 19,57 28,22 23,28 17,64

10:30 15,71 14,77 19,33 16,89 18,45 18,14 16,42

11:00 13,68 13,44 17,23 16,73 12,63 14,74 15,32

96

Waktu 02-Sep 03-Sep 04-Sep 05-Sep 06-Sep 07-Sep 08-Sep

11:30 15,06 12,42 20,08 19,63 12,80 12,86 14,19

12:00 12,05 12,56 16,70 13,10 12,75 11,83 12,91

12:30 14,59 12,03 11,31 14,98 22,97 11,11 11,94

13:00 12,64 11,47 12,31 12,63 14,32 11,08 11,88

13:30 12,67 12,80 11,91 11,80 13,98 10,97 11,31

14:00 10,15 13,98 13,02 12,74 20,07 11,39 11,39

14:30 11,44 11,39 15,40 12,64 16,75 11,77 12,49

15:00 15,02 11,91 17,64 14,52 14,66 11,88 12,53

15:30 12,35 12,36 16,68 17,42 14,18 11,75 13,08

16:00 14,16 18,83 17,84 15,26 14,48 12,60 13,07

16:30 17,55 15,68 21,02 21,34 16,14 14,07 14,65

17:00 19,91 15,64 24,42 22,68 16,61 14,68 15,29

17:30 18,94 19,58 21,68 26,81 17,51 15,96 16,40

18:00 17,31 21,45 25,44 25,27 19,08 17,41 18,13

18:30 17,88 20,74 24,85 23,94 21,98 18,14 20,95

19:00 18,64 20,82 24,97 21,87 22,47 18,38 22,73

19:30 21,17 17,42 19,05 27,67 21,26 17,45 21,92

20:00 19,50 18,74 16,37 23,95 19,44 15,21 21,82

20:30

22,95 23,16 19,79 25,13 16,58 14,34 21,09

21:00 20,35 20,18 20,70 34,75 15,48 13,66 19,57

21:30 23,33 22,11 21,17 28,97 14,21 11,94 18,99

22:00 27,78 27,26 21,21 29,69 13,55 11,44 10,62

22:30 32,71 33,43 26,46 29,80 12,89 16,18 15,06

23:00 42,30 24,30 25,11 25,43 12,94 9,59 15,18

23:30 39,01 17,39 25,44 18,76 11,39 9,16 14,02

24:00 51,29 20,92 25,58 11,69 9,95 8,51 12,75

97

Tabel L.2.2. Data NO2 Terpilih Musim Hujan

Waktu 08-Dec

09-Dec

10-Dec

11-Dec

12-Dec

13-Dec

14-Dec

00:30

74,24

64,56

49,49

34,84

39,93

48,08

35,60

01:00

46,72

62,37

45,12

36,97

37,24

47,31

31,91

01:30

28,53

60,43

45,20

35,33

34,00

44,53

33,54

02:00

27,21

74,50

41,38

31,68

31,22

45,83

30,41

02:30

21,17

58,94

35,64

28,62

31,04

56,42

28,58

03:00

19,66

54,52

35,11

24,64

29,89

53,36

32,98

03:30

15,76

52,86

34,40

25,22

31,02

49,63

25,24

04:00

19,54

50,32

35,47

24,86

31,85

45,20

23,77

04:30

22,58

48,08

31,55

25,16

30,61

45,53

22,78

05:00

28,34

44,78

29,69

26,49

25,83

44,92

25,71

05:30

42,24

37,63

29,08

23,36

23,25

44,35

26,02

06:00

49,66

37,04

29,72

21,07

24,60

45,29

25,57

06:30

49,80

52,23

27,39

20,18

28,76

49,62

26,60

07:00

62,51

63,33

28,26

20,73

36,14

57,65

34,87

07:30

78,63

75,34

34,78

28,95

45,54

60,69

51,29

08:00

81,14

92,56

50,31

37,04

49,79

56,82

58,23

08:30

84,10

61,16

42,97

37,63

48,32

48,61

51,47

09:00

80,01

51,50

28,01

24,83

46,58

39,72

45,40

09:30

48,94

63,25

28,42

30,25

51,64

41,72

36,49

98

Waktu 08-Dec

09-Dec

10-Dec

11-Dec

12-Dec

13-Dec

14-Dec

10:00 58,53 69,45 32,51 37,66 56,87 52,28 29,41

10:30

53,31

54,68

27,65

53,38

49,63

62,74

22,47

11:00

36,24

41,61

30,80

51,76

34,54

34,47

19,85

11:30

44,07

38,60

39,46

37,98

31,66

24,55

22,58

12:00

73,34

73,77

29,99

25,47

26,70

19,13

29,50

12:30

69,03

52,25

24,60

24,50

21,27

20,76

57,32

13:00

64,20

39,07

22,17

42,86

23,53

53,64

40,28

13:30

56,42

53,44

25,07

27,31

22,26

76,25

23,16

14:00

43,55

51,73

28,59

34,86

23,81

50,92

24,80

14:30

47,06

48,90

28,55

32,67

22,75

57,89

62,37

15:00

54,90

42,41

34,50

29,03

33,84

66,22

77,50

15:30

52,99

41,77

34,34

35,23

50,62

45,28

75,09

16:00

46,36

44,70

38,85

45,92

62,31

39,10

80,79

16:30

62,49

41,47

35,78

27,31

55,55

34,25

61,37

17:00

74,54

47,25

43,13

42,82

51,09

53,30

42,66

17:30

85,67

59,31

51,29

56,24

44,82

73,19

37,99

18:00

90,65

53,74

46,70

61,71

46,47

64,26

47,20

18:30

89,44

42,05

30,24

70,80

31,93

54,40

35,11

19:00

85,73

61,44

33,54

81,39

63,54

47,85

54,36

19:30

83,54

60,93

37,38

72,02

74,26

35,09

62,23

20:00

68,31

50,65

61,09

71,83

72,55

42,72

60,36

99

Waktu 08-Dec

09-Dec

10-Dec

11-Dec

12-Dec

13-Dec

14-Dec

20:30

52,59

67,47

43,91

70,41

66,97

43,35

71,28

21:00

90,53

56,85

37,55

64,81

65,57

55,99

68,29

21:30

68,90

64,95

40,42

66,80

49,87

56,67

70,12

22:00

81,33

76,66

36,44

67,13

48,69

50,57

68,15

22:30

75,69

56,28

34,81

59,16

42,52

47,16

69,18

23:00

69,84

46,94

34,11

52,08

38,60

40,26

67,10

23:30

72,65

53,09

32,81

49,01

28,75

30,78

66,52 24:00:

00

68,07

48,74

32,96

41,39

37,85

34,90

63,09

Tabel L.2.3. Data GRAD Musim Kemarau

Waktu

02-Sep

03-Sep

04-Sep

05-Sep

06-Sep

07-Sep

08-Sep

00:30

0,99

1,08

1,05

0,95

0,93

0,75

0,85

01:00

0,91

0,93

0,89

0,94

0,90

0,64

0,67

01:30

0,91

0,95

0,86

0,93

0,93

0,74

0,67

02:00

0,94

0,92

0,90

0,89

0,94

0,73

0,64

02:30

0,90

0,95

0,89

0,90

0,93

0,62

0,61

03:00

0,91

0,94

0,91

0,92

0,98

0,63

0,66

03:30

0,90

0,92

0,91

0,93

0,93

0,70

0,67

04:00

0,92

0,95

0,90

0,90

0,95

0,68

0,67

04:30

0,92

0,97

0,90

0,93

0,96

0,63

0,66

05:00

100

Waktu

02-Sep

03-Sep

04-Sep

05-Sep

06-Sep

07-Sep

08-Sep

0,98 1,01 0,96 0,93 0,96 0,66 0,69

05:30

1,17

1,15

1,04

0,99

0,98

0,61

0,84

06:00

3,01

2,45

3,10

3,35

3,62

3,07

2,94

06:30

16,40

10,60

12,36

11,27

13,37

11,39

10,23

07:00

29,78

18,32

20,12

19,00

19,75

19,65

16,11

07:30

29,79

24,41

24,55

24,58

26,41

26,41

19,94

08:00

37,27

30,56

31,45

36,13

34,21

31,83

25,24

08:30

52,07

41,28

44,81

57,47

42,97

53,39

30,27

09:00

77,65

74,89

80,69

88,81

75,65

82,56

47,03

09:30

330,9

5

277,9

5

291,1

4

231,0

9

248,8

3

169,6

8

233,2

7

10:00

56,71

57,41

75,65

73,97

60,73

77,03

42,95

10:30

58,86

56,51

94,18

61,54

62,18

81,10

46,37

11:00

60,20

60,91

99,73

61,32

61,67

68,43

46,91

11:30

156,8

2

124,6

4

127,8

4

86,24

85,91

80,50

61,72

12:00

539,0

1

521,3

0

446,0

6

434,0

7

431,0

5

391,7

5

362,3

3

12:30

614,1

5

620,7

9

616,1

0

592,1

7

625,7

9

625,9

3

607,7

8

13:00

600,9

8

595,2

2

599,6

1

572,9

7

591,2

6

615,4

5

620,7

0

13:30

567,8

3

566,3

1

575,1

0

545,5

9

544,2

2

587,1

8

591,2

0

101

Waktu

02-Sep

03-Sep

04-Sep

05-Sep

06-Sep

07-Sep

08-Sep

14:00

335,1

1

376,7

8

447,1

3

436,8

7

468,0

7

541,7

6

552,3

7

14:30

165,4

6

189,0

4

236,5

6

235,0

0

276,8

4

329,6

5

373,7

9

15:00

104,9

9

88,83

96,05

135,0

0

120,2

1

96,87

101,4

9

15:30

61,30

54,82

65,37

98,18

82,75

85,85

104,7

7

16:00

72,88

54,42

48,63

61,92

81,65

66,97

59,78

16:30

60,03

37,03

40,14

45,26

44,91

38,78

37,07

17:00

32,61

24,92

29,74

34,70

28,23

24,75

23,24

17:30

13,72

11,17

16,00

13,69

9,86

11,03

10,04

18:00

2,30

2,25

3,28

1,90

1,67

1,74

1,98

18:30

1,08

0,98

1,04

0,95

0,74

0,91

0,85

19:00

1,10

1,03

1,14

0,94

0,67

0,90

0,90

19:30

1,12

0,99

1,12

0,93

0,76

0,90

0,87

20:00

1,21

1,01

1,07

0,97

0,76

0,96

0,86

20:30

1,13

1,03

1,10

0,93

0,81

0,98

0,89

21:00

1,13

1,01

1,11

0,92

0,86

0,98

0,91

21:30

1,22

1,07

1,00

0,95

0,77

0,94

0,90

22:00

1,19

1,08

1,02

0,92

0,85

0,97

0,91

22:30

1,21

1,12

0,99

0,95

0,88

0,96

0,94

23:00

102

Waktu

02-Sep

03-Sep

04-Sep

05-Sep

06-Sep

07-Sep

08-Sep

1,10 1,05 1,03 0,94 0,88 0,95 0,95

23:30

1,23

1,08

0,99

0,94

0,93

0,89

0,98 24:00

:00

1,19

1,14

1,07

0,94

0,85

0,88

1,01

Tabel L.2.4. Data GRAD Musim Hujan

Waktu

08-Dec

09-Dec

10-Dec

11-Dec

12-Dec

13-Dec

14-Dec

00:30

0,75

0,46

0,42

0,33

0,62

0,50

0,45

01:00

0,57

0,36

0,31

0,05

0,45

0,34

0,28

01:30

0,54

0,38

0,36

0,34

0,41

0,37

0,32

02:00

0,41

0,33

0,43

0,40

0,40

0,38

0,41

02:30

0,37

0,21

0,43

0,31

0,35

0,36

0,32

03:00

0,46

0,36

0,38

0,36

0,41

0,38

0,33

03:30

0,66

0,37

0,33

0,32

0,43

0,30

0,38

04:00

0,49

0,28

0,40

0,32

0,41

0,29

0,32

04:30

0,46

0,38

0,37

0,28

0,39

0,30

0,32

05:00

0,47

0,38

0,39

0,27

0,50

0,33

0,28

05:30

1,14

1,23

1,29

1,27

1,29

1,62

1,02

06:00

5,73

9,75

13,56

13,39

7,71

12,18

6,87

06:30

17,10

22,52

24,87

29,94

22,89

26,90

17,78

07:00

24,33

38,23

17,81

42,18

31,77

37,48

30,84

07:30

40,55

56,94

21,44

53,04

44,42

51,94

48,99

103

Waktu

08-Dec

09-Dec

10-Dec

11-Dec

12-Dec

13-Dec

14-Dec

08:00

56,14

66,21

49,25

62,54

69,65

58,93

58,42

08:30

74,68

66,83

53,05

66,72

89,89

61,58

72,45

09:00

105,1

0

69,30

57,34

99,48

116,4

5

68,39

99,27

09:30

124,6

6

146,0

5

251,1

9

248,8

7

152,8

9

250,2

1

75,55

10:00

140,4

9

73,22

101,1

8

196,7

4

152,7

9

180,2

4

85,21

10:30

144,8

2

112,0

5

152,7

5

203,0

7

191,4

6

136,6

0

181,9

8

11:00

176,0

0

188,4

3

111,5

9

183,9

4

234,4

9

304,4

2

175,4

0

11:30

61,05

165,0

2

126,3

8

202,8

5

230,1

8

151,1

4

90,36

12:00

26,89

197,0

4

216,6

3

194,0

8

263,9

5

177,4

2

100,4

5

12:30

31,41

272,6

8

283,0

2

193,7

4

224,2

2

151,6

6

178,1

9

13:00

167,9

6

293,2

3

329,3

6

194,7

3

157,0

1

95,37

207,6

6

13:30

300,2

2

203,6

3

68,23

177,8

9

463,6

4

63,82

96,18

14:00

237,3

8

136,2

4

45,10

139,4

6

177,3

4

57,35

89,86

14:30

281,1

8

109,6

6

18,47

174,3

6

219,6

1

52,54

37,77

15:00

104

Waktu

08-Dec

09-Dec

10-Dec

11-Dec

12-Dec

13-Dec

14-Dec

319,67

93,01 72,02 90,33 150,95

65,32 30,19

15:30

76,13

66,66

17,68

32,59

53,13

133,1

0

31,84

16:00

1,05

33,58

34,14

17,74

60,50

148,6

8

24,02

16:30

3,82

44,48

24,13

18,47

31,78

151,1

5

10,34

17:00

3,24

29,61

6,11

2,52

6,69

41,97

1,88

17:30

2,30

3,00

2,45

1,32

0,97

14,83

1,28

18:00

1,04

1,13

0,78

0,87

0,39

1,71

1,14

18:30

0,47

0,45

0,41

0,52

0,42

0,43

0,81

19:00

0,80

0,45

0,76

0,55

0,45

0,46

0,55

19:30

0,77

0,50

0,94

0,62

0,67

0,50

0,38

20:00

0,92

0,59

0,91

0,75

0,66

0,52

0,52

20:30

0,83

0,57

0,78

0,62

0,62

0,45

0,41

21:00

0,89

0,89

0,75

0,50

0,59

0,46

0,40

21:30

0,76

0,78

0,95

0,55

0,66

0,52

0,46

22:00

0,83

0,50

0,94

0,57

0,61

0,48

0,49

22:30

0,41

0,68

0,79

0,63

0,56

0,53

0,51

23:00

0,47

0,82

0,55

0,68

0,59

0,47

0,59

23:30

0,48

0,72

0,48

0,68

0,70

0,49

0,53 24:00

:00

0,49

0,64

0,49

0,75

0,73

0,46

0,45

105

Tabel L.2.5. Contoh Data Angin NCDC

YR--MODAHRMN DIR SPD

201709290000 200 3

201709290300 100 6

201709290600 80 10

201709290900 110 16

201709291200 110 15

201709291500 90 9

201709291800 *** 0

201709292100 230 3

201709300000 230 3

201709300300 80 7

201709300600 100 11

201709300900 90 13

201709301200 110 14

201709301500 120 7

201709301800 160 7

201709302100 220 5

201710010000 300 3

106


107

LAMPIRAN 3

HASIL PERHITUNGAN DISPERSI Tabel L.3.1. Contoh Keluaran Perhitungan Dispersi untuk Verifikasi

Model

Waktu Kemarau SUF-1 Waktu Hujan SUF-1

02/09/2017 00:30 381,3265 08/12/2017 00:30 442,0161

02/09/2017 01:00 480,0342 08/12/2017 01:00 413,9985

02/09/2017 01:30 1178,963 08/12/2017 01:30 104,263

02/09/2017 02:00 924,5843 08/12/2017 02:00 75,15019

02/09/2017 02:30 306,0044 08/12/2017 02:30 2,521589

02/09/2017 03:00 576,3759 08/12/2017 03:00 64,1636

02/09/2017 03:30 289,7536 08/12/2017 03:30 85,01529

02/09/2017 04:00 52,91605 08/12/2017 04:00 41,53969

02/09/2017 04:30 77,16145 08/12/2017 04:30 57,55826

02/09/2017 05:00 79,96183 08/12/2017 05:00 53,77912

02/09/2017 05:30 468,3626 08/12/2017 05:30 1,737439

02/09/2017 06:00 111,7382 08/12/2017 06:00 0,045766

02/09/2017 06:30 0 08/12/2017 06:30 4,290585

02/09/2017 07:00 0 08/12/2017 07:00 14,40192

02/09/2017 07:30 73,28416 08/12/2017 07:30 3,491288

02/09/2017 08:00 0 08/12/2017 08:00 58,86251

02/09/2017 08:30 0 08/12/2017 08:30 27,51631

02/09/2017 09:00 0 08/12/2017 09:00 30,25749

02/09/2017 09:30 0,031851 08/12/2017 09:30 40,47526

02/09/2017 10:00 0,16664 08/12/2017 10:00 0

108


109

LAMPIRAN 4

SCRIPT MATLAB

• Script rumus perhitungan %% Insert Peta Administratif

img = imread('SbyPst11.jpg');

min_x =

xlsread('UPDM_V11.xls','Phys_Data','C31');

max_x =


min_y =


max_y =


imagesc([min_x max_x], [min_y max_y],

flipud(img));

set(gca,'ydir','normal');

hold on; sc = 110447;

%skala rata-rata m/degree

%% Konstanta Difusivitas

Dify =

xlsread('UPDM_V11.xls','Phys_Data','D4');

Difz =


% difusivitas horizontal dan vertical (m2/s)

Dy = Dify; Dz = Difz; %

difusifitas dalam m

.

.

.

%% 1.3. Kecepatan Angin dan Reseptor

HE =


% input tinggi sumber (m)

Hs = HE; % tinggi dalam deg

receptor =


%tinggi reseptor (m)

v = s; % kec angin deg/det

110

z = receptor; % tinggi reseptor deg

%% 2. Lines Sources

%% 2.1. Data beban emisi (g/s)

QJ =

Factor*xlsread('UPDM_V11.xls','LineS','K4:K57

');

%% 2.2. LS_Data teknis sumber rata-rata

%posisi jalan

x1 =

xlsread('UPDM_V11.xls','LineS','E4:E57'); %

input koordinat x awal jalan

x2 =

xlsread('UPDM_V11.xls','LineS','F4:F57'); %

input koordinat x akhir jalan

y1 =

xlsread('UPDM_V11.xls','LineS','C4:C57'); %

input koordinat y awal jalan

y2 =

xlsread('UPDM_V11.xls','LineS','D4:D57'); %

input koordinat y awal jalan

%Efektif plume dalam deg

cLS = zeros(size(x));

dz = Dz/100;

ma = tan((90-a)*pi/180); %

gradient arah angin terhadap reference (east)

%% 2.3. Perhitungan konsentrasi Dispersi

for j=1:length(QJ)

str = num2str(j);

plot([x1(j) x2(j)],[y1(j)

y2(j)],'LineStyle','-

','LineWidth',1,'color'...

,'m');text((x1(j)+x2(j))/2,(y1(j)+y2(j))/2,st

r, 'color', 'r');

m = (y2(j) - y1(j))/(x2(j) - x1(j)) ;

k = y1(j) - m*x1(j);

A = atan(m)*180/pi;

B = (a-90) + A;

d = ((-

y+m*x+k)/(1+m^2)^0.5)/(sin(B.*pi/180))*sc;

111

xe = (ma*x - m*x2(j) - y + y2(j))./(ma-

m);

ye = m*(xe-x2(j))+y2(j);

Le = abs(y2(j) - y1(j));

EF = 0.5*Le - abs(ye -

0.5*(y2(j)+y1(j)));

E= (EF>=0).*EF; COR=E./E;

COR(isnan(COR))=0;

if d==0

cJ =

1000000*(QJ(j)*e./(sqrt(2*pi)*dz));

else

cJ = ((36.5-

3.25*v).*(v^2)./((d>0).*d)).*(1000000*QJ(j)*e

./(sqrt(2*pi)*(d>0).*d.*dz)).*...

(exp(-v*(z-Hs)*(z-

Hs)*e./(4*dz*(d>0).*d))+exp(-

v*(z+Hs)*(z+Hs)*e./...

(4*dz*(d>0).*d))).*exp(-

lambda*(d>0).*d./v);

end

cJ(isinf(cJ))=0; cJ(isnan(cJ))=0; cLS1 =

cJ.*COR;

cLS = cLS + cLS1;

end

c=cLS;

%% ISPU Location

xI1 = 112.742806; yI1 = -7.261611;

I1=c(round(grid*(yI1-min_y)/(max_y -

min_y),0),round(grid*(xI1-min_x)/(max_x -

min_x),0)); D1 = Dt1;

.

.

.

%% Insert Peta Administratif

img = imread('SbyPst11.jpg');

imagesc([min_x max_x], [min_y max_y],

flipud(img));

set(gca,'ydir','normal');

hold on; alpha(0.4)

112

%% Plot Angin vektor

[x,y] = meshgrid

(linspace(min_x,max_x,10),linspace(min_y,max_

y,10));

vel = v*0.00000907;

u = vel*cos((90-a)*pi/180)*ones(size(x));

w = vel*sin((90-a)*pi/180)*ones(size(y));

wind_speed = sqrt(u.^2 + w.^2 );

quiver(x,y,u,w,0.1,'b');

axis([min_x max_x min_y max_y]);

%% title and SUF Plot

title({['Grid = ',num2str(grid),'; Date ',t,

' WIB; wind velocity ', num2str(s), ' (m/s),

', ' direction to ', num2str(a), ' (degree

from north), and kinetic constant (\lambda) =

', num2str(lambda),' (\mug/s)'];...

['Concentration (Modeled--Measured)

\mug/m^3: SUF1 (',num2str(I1),'--

',num2str(D1),')']});

plot(xI1,yI1,'dk');text(xI1, yI1,'

SUF1','color','b')

clc;

• Script running data 7 hari clear;

clc;

grid = xlsread('UPDM_V11','Phys_Data','C21');

% resolusi perhitungan (membagi area

perhitungan menjadi n x n grid), 18562 s

SUF1 =

xlsread('UPDM_V11','AQ_Data','B4:B339');

arah =

xlsread('UPDM_V11','Phys_Data','AD4:AD339');

speed =

xlsread('UPDM_V11','Phys_Data','AC4:AC339');

fc =

xlsread('UPDM_V11','Phys_Data','AI4:AI339');

113

lbd =

0.000002*xlsread('UPDM_V11','Phys_Data','AJ4:

AJ339');

DateNumber = 736940; formatOut = 'mmm.dd,yyyy

HH:MM'; time =

datestr(DateNumber,formatOut);% 1 Jan 2010 =

734139, 2 Jan 2010 = 734140, 1 Agust 2011 =

734716, 1 Mar 2012 = 734929

%% dispersi

for n=1:length(arah);

Dt1 = SUF1(n);

Factor = fc(n); lambda = lbd(n);

a=arah(n); s=speed(n); t =

datestr(DateNumber+(n)*0.0208333333334,format

Out);cla;

PSLS_Loop2;

drawnow

MOD = I1;

my_cell = sprintf('B%s',num2str(n+3));

A=xlswrite('UPDM_V11',MOD,'Result_Model',my_c

ell);

end

%% Analysis

MOD1=xlsread('UPDM_V11','Result_Model','B4:B3

39');

t = 1:336; % range max - range min + 1

ts1 = timeseries(SUF1,0.5+0.5*t);ts11 =

timeseries(MOD1,0.5+0.5*t);

ts1.TimeInfo.Units =

'hours';ts11.TimeInfo.Units = 'hours';

ts1.TimeInfo.StartDate = '02-Sep-2017

00:30';ts11.TimeInfo.StartDate = '02-Sep-2017

00:30'; % Set start date.

ts1.TimeInfo.Format = 'MMM d

HH:mm';ts11.TimeInfo.Format = 'MMM d HH:mm';

% Set format for display on x-axis.

ts1.Time = ts1.Time - ts1.Time(1);ts11.Time =

ts11.Time - ts11.Time(1); % Express

time relative to the start date.

114

figure('Name','Simulation Plot SUF1-MOD

','NumberTitle','off')

subplot(2,2,[1,2])

plot(ts1,'-k'); hold on

plot(ts11,'--b'); grid; title('SUF-1, Data

and Model Ploted');

legend('data','model','Location','northeast',

'Orientation','horizontal');

ylabel('[NOx]-ambient (\mug/m^3)'); hold off

subplot(2,2,3)

p = polyfit(SUF1,MOD1,1); a = p(1); b = p(2);

yMOD = a*SUF1+b;

plot(SUF1,MOD1,'.k',SUF1,yMOD); grid;

legend('SUF-MOD','L-

Regression','Location','southeast');

rmse = rms(MOD1 - SUF1); R =

corrcoef(SUF1,MOD1);

ylabel('model');

xlabel('data');title({'Correlations SUF1-

MODEL';['RMSE = ',num2str(rmse),'; R =

',num2str(R(1,2)),' (MOD = ',num2str(p(1)),'

x SUF1 + ',num2str(p(2)),')']});

• Script Overlay gambar clear;

clc;

A = imread ('0135.jpg');

B = imread ('180315.jpg');

C = imfuse (A,B,'blend','Scaling','joint');

imshow (C)

115

BIOGRAFI PENULIS

Penulis berasal dari Cinere, Depok namun dilahirkan di Balikpapan. Penulis menghabiskan masa pendidikan dasar di SD Islam Dian Didaktika Cinere (2002-2008), SMP Islam Dian Didaktika Cinere (2008-2011), dan SMA Labschool Kebayoran Jakarta (2011-2014). Penulis melanjutkan pendidikan S1 di Departemen Teknik Lingkungan, Fakultas Teknik Sipil, Lingkungan, dan Kebumian, Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Penulis melanjutkan pendidikan S1 pada tahun 2014 dan terdaftar

sebagai mahasiswa dengan NRP 03211440000100. Selama kegiatan perkuliahan, penulis aktif di berbagai kegiatan di Himpunan Mahasiswa Teknik Lingkungan (HMTL) dan Ikatan Mahasiswa Teknik Lingkungan Indonesia (IMTLI). Posisi terakhir penulis di HMTL sebagai Kabid PTD Departemen PSDM HMTL ITS (2016-2017). Selain itu, penulis aktif di berbagai kepanitiaan tingkat regional hingga internasional. Penulis juga berpengalaman sebagai asisten laboratorium untuk mata kuliah Mikrobiologi Lingkungan, Teknik Analisis Pencemar Lingkungan, dan Kimia Lingkungan II. Penulis pernah melaksanakan kerja praktik di PT. Pertamina EP Asset 1 Jambi Field dan bekerja sebagai anggota peneliti baseline sampah laut di Surabaya untuk Kementerian LHK (2017) serta penilai self assessment Proper Biru (2018). Penulis pernah mengikuti berbagai pelatihan dalam rangka pengembangan diri. Penulis dapat dihubungi melalui email [email protected].

mailto:[email protected]

Documents

PEMETAAN PERSEBARAN PENCEMAR NON- KONSERVATIF DARI …repository.its.ac.id/53428/1/03211440000100... · 2018. 7. 24. · i tugas akhir – re 141581 pemetaan persebaran pencemar non-konservatif